2000—2016年三江源区植被生长季NDVI变化及其对气候因子的响应
1
2020
... 植被作为生态系统重要的组成部分,制约着生态系统的平衡,充当着全球变化的“指示器”[1].植被遥感信息提取是植被覆盖状况调查和动态变化规律研究的基础.植被生长、活力及其动态遥感信息可为环境监测、生物多样性保护、城市绿色基础设施等领域的应用与研究提供有益借鉴[2]. ...
2000—2016年三江源区植被生长季NDVI变化及其对气候因子的响应
1
2020
... 植被作为生态系统重要的组成部分,制约着生态系统的平衡,充当着全球变化的“指示器”[1].植被遥感信息提取是植被覆盖状况调查和动态变化规律研究的基础.植被生长、活力及其动态遥感信息可为环境监测、生物多样性保护、城市绿色基础设施等领域的应用与研究提供有益借鉴[2]. ...
Significant remote sensing vegetation indices:A review of developments and applications
2
2017
... 植被作为生态系统重要的组成部分,制约着生态系统的平衡,充当着全球变化的“指示器”[1].植被遥感信息提取是植被覆盖状况调查和动态变化规律研究的基础.植被生长、活力及其动态遥感信息可为环境监测、生物多样性保护、城市绿色基础设施等领域的应用与研究提供有益借鉴[2]. ...
... 植物物候信息主要依据植物生长节律的季节性和年际变化特征进行提取.目前,基于植被物候特征的信息提取方法主要包括地面观测法、遥感分析法、模型模拟法[25].其中,多时相遥感分析方法应用最为广泛[26].而植被指数(vegetation indexes,VIs)是基于物候特征提取植被遥感信息应用最为广泛的指标[27-28].1969年Jordan[29]提出了第一个以植被指数命名的比值植被指数(ratio vegetation index, RVI).此后,RVI被广泛用于绿色生物量的估算和监测研究.归一化植被指数(normalized difference vegetation index, NDVI) 是目前应用最为广泛的植被指数,是有效提高植被覆盖度监测灵敏度的重要指标[30].随着高光谱遥感及热红外遥感技术的发展,遥感影像的波段越来越丰富,尤其是红边波段的运用,极大丰富了植被物候的研究.纵观国内外研究,学者还提出了包括差值植被指数(difference vegetation index, DVI)、垂直植被指数(perpendicular vegetation index, PVI)、土壤调整植被指数(soil adjusted vegetation index, SAVI)、增强植被指数(enhanced vegetation index, EVI)、再归一化植被指数(renormalized difference vegetation index, RDVI)、植被状态指数(vegetation condition index, VCI)等在内的100余种植被指数,大大提升了植被信息提取的效率和精度[2].如董立新[31]基于植被指数建立不同森林类型的叶面积指数(leaf area index, LAI)估算模型,估算三峡库区森林的LAI; Fakhri等[32]提出一种利用粒子群算法(particle swarm optimization, PSO)优化EVI的方法,研究发现局部优化的EVI在视觉可解释性和可解释方差方面都明显优于传统植被指数; 季民等[33]基于VCI揭示了1995—2010年青藏地区植被春旱的时空变化特征; 汪小钦等[34]研究表明基于可见光波段差异植被指数(visible-band difference vegetation index, VDVI)可有效提取可见光波段无人机遥感影像的健康绿色植被信息,较过绿指数(excess green index, EXGI)、归一化绿红差值指数(normalized green-red difference index, NGRDI)等其他可见光植被指数的提取精度大大提高. ...
基于MODIS时序的陕西省植被物候时空变化特征分析
1
2018
... 最初的植被信息提取主要依赖于人工实地调查,该方法极易受地域限制,存在调查范围有限、成本高、周期长、受调查者认知水平影响较大等问题.20世纪60年代起,遥感技术的发展为地物信息的提取拓展了新渠道.遥感传感器具有大尺度、动态观测的特点,其应用逐步渗透至农业、林业、环境、军事等各个领域[3].早期的植被遥感信息提取主要依赖于人工目视解译,较实地调查,目视解译有一定优势,但解译精度很大程度上依赖于解译者经验以及遥感影像质量,且周期较长、信息实时性或准实时性较低.随着遥感传感器空间分辨率和光谱分辨率进一步提升,遥感全覆盖、高时效的优势也明显增强[4].应用遥感技术提取地物信息的核心环节是确定遥感影像中地物信息获取方法.国内外学者一直致力于植被信息提取方法的研究,但已有的方法仍难以满足植被信息提取的应用需求[5].因此,探求更优方法促进植被信息提取的智能化和自动化,提升植被信息提取的精度和效率,成为国内外学者持续关注的热点问题.对国内外相关研究成果进行梳理,有助于进一步厘清植被遥感信息提取方法的研究现状,探究当前植被遥感信息提取面临的挑战及未来发展方向,对新时期环境监测与保护的研究与应用具有重要意义. ...
基于MODIS时序的陕西省植被物候时空变化特征分析
1
2018
... 最初的植被信息提取主要依赖于人工实地调查,该方法极易受地域限制,存在调查范围有限、成本高、周期长、受调查者认知水平影响较大等问题.20世纪60年代起,遥感技术的发展为地物信息的提取拓展了新渠道.遥感传感器具有大尺度、动态观测的特点,其应用逐步渗透至农业、林业、环境、军事等各个领域[3].早期的植被遥感信息提取主要依赖于人工目视解译,较实地调查,目视解译有一定优势,但解译精度很大程度上依赖于解译者经验以及遥感影像质量,且周期较长、信息实时性或准实时性较低.随着遥感传感器空间分辨率和光谱分辨率进一步提升,遥感全覆盖、高时效的优势也明显增强[4].应用遥感技术提取地物信息的核心环节是确定遥感影像中地物信息获取方法.国内外学者一直致力于植被信息提取方法的研究,但已有的方法仍难以满足植被信息提取的应用需求[5].因此,探求更优方法促进植被信息提取的智能化和自动化,提升植被信息提取的精度和效率,成为国内外学者持续关注的热点问题.对国内外相关研究成果进行梳理,有助于进一步厘清植被遥感信息提取方法的研究现状,探究当前植被遥感信息提取面临的挑战及未来发展方向,对新时期环境监测与保护的研究与应用具有重要意义. ...
A review of remote sensing for environmental monitoring in China
2
2020
... 最初的植被信息提取主要依赖于人工实地调查,该方法极易受地域限制,存在调查范围有限、成本高、周期长、受调查者认知水平影响较大等问题.20世纪60年代起,遥感技术的发展为地物信息的提取拓展了新渠道.遥感传感器具有大尺度、动态观测的特点,其应用逐步渗透至农业、林业、环境、军事等各个领域[3].早期的植被遥感信息提取主要依赖于人工目视解译,较实地调查,目视解译有一定优势,但解译精度很大程度上依赖于解译者经验以及遥感影像质量,且周期较长、信息实时性或准实时性较低.随着遥感传感器空间分辨率和光谱分辨率进一步提升,遥感全覆盖、高时效的优势也明显增强[4].应用遥感技术提取地物信息的核心环节是确定遥感影像中地物信息获取方法.国内外学者一直致力于植被信息提取方法的研究,但已有的方法仍难以满足植被信息提取的应用需求[5].因此,探求更优方法促进植被信息提取的智能化和自动化,提升植被信息提取的精度和效率,成为国内外学者持续关注的热点问题.对国内外相关研究成果进行梳理,有助于进一步厘清植被遥感信息提取方法的研究现状,探究当前植被遥感信息提取面临的挑战及未来发展方向,对新时期环境监测与保护的研究与应用具有重要意义. ...
... 3)植被遥感信息智能化、自动化提取方法研究.将知识信息与多源数据和其他辅助数据相结合,构建专家知识信息库,在植被遥感信息提取过程中模拟专家视觉活动和逻辑判断过程,通过流程优化、定制功能开发和计算资源聚合实现自动化信息提取[4],推动植被信息提取技术研究和应用向更高层次的智能化方向发展,进一步解决植被遥感信息提取中“同物异谱”、“同谱异物”以及混合像元识别等问题. ...
1
2012
... 最初的植被信息提取主要依赖于人工实地调查,该方法极易受地域限制,存在调查范围有限、成本高、周期长、受调查者认知水平影响较大等问题.20世纪60年代起,遥感技术的发展为地物信息的提取拓展了新渠道.遥感传感器具有大尺度、动态观测的特点,其应用逐步渗透至农业、林业、环境、军事等各个领域[3].早期的植被遥感信息提取主要依赖于人工目视解译,较实地调查,目视解译有一定优势,但解译精度很大程度上依赖于解译者经验以及遥感影像质量,且周期较长、信息实时性或准实时性较低.随着遥感传感器空间分辨率和光谱分辨率进一步提升,遥感全覆盖、高时效的优势也明显增强[4].应用遥感技术提取地物信息的核心环节是确定遥感影像中地物信息获取方法.国内外学者一直致力于植被信息提取方法的研究,但已有的方法仍难以满足植被信息提取的应用需求[5].因此,探求更优方法促进植被信息提取的智能化和自动化,提升植被信息提取的精度和效率,成为国内外学者持续关注的热点问题.对国内外相关研究成果进行梳理,有助于进一步厘清植被遥感信息提取方法的研究现状,探究当前植被遥感信息提取面临的挑战及未来发展方向,对新时期环境监测与保护的研究与应用具有重要意义. ...
1
2012
... 最初的植被信息提取主要依赖于人工实地调查,该方法极易受地域限制,存在调查范围有限、成本高、周期长、受调查者认知水平影响较大等问题.20世纪60年代起,遥感技术的发展为地物信息的提取拓展了新渠道.遥感传感器具有大尺度、动态观测的特点,其应用逐步渗透至农业、林业、环境、军事等各个领域[3].早期的植被遥感信息提取主要依赖于人工目视解译,较实地调查,目视解译有一定优势,但解译精度很大程度上依赖于解译者经验以及遥感影像质量,且周期较长、信息实时性或准实时性较低.随着遥感传感器空间分辨率和光谱分辨率进一步提升,遥感全覆盖、高时效的优势也明显增强[4].应用遥感技术提取地物信息的核心环节是确定遥感影像中地物信息获取方法.国内外学者一直致力于植被信息提取方法的研究,但已有的方法仍难以满足植被信息提取的应用需求[5].因此,探求更优方法促进植被信息提取的智能化和自动化,提升植被信息提取的精度和效率,成为国内外学者持续关注的热点问题.对国内外相关研究成果进行梳理,有助于进一步厘清植被遥感信息提取方法的研究现状,探究当前植被遥感信息提取面临的挑战及未来发展方向,对新时期环境监测与保护的研究与应用具有重要意义. ...
1
2011
... 人工目视解译法是学者早期借助遥感技术开展植被信息提取的重要方法,主要基于遥感影像的地物颜色、形态和位置等特征结合解译者先验知识直接进行地物判读和信息提取[6],具有高解译精度的优势.国内外很多学者在早期植被遥感信息提取中都采用了人工目视解译法,并取得了良好效果.如Fritz等[7]论证了基于明度、色度和饱和度(intensity, hue and saturation, IHS)变换、主成分(principal compoent analysis, PCA)变换、自适应图像融合(adaptive image fusion, AIF)和彩色标准变换(Brovey)等标准传感器融合技术结合卫星数据的光谱和空间信息用于森林植被人工目视判读的潜力; 田建林等[8]基于人工目视判读法有效提取了灌木林和果园、经济林和用材林等易混林地信息. ...
1
2011
... 人工目视解译法是学者早期借助遥感技术开展植被信息提取的重要方法,主要基于遥感影像的地物颜色、形态和位置等特征结合解译者先验知识直接进行地物判读和信息提取[6],具有高解译精度的优势.国内外很多学者在早期植被遥感信息提取中都采用了人工目视解译法,并取得了良好效果.如Fritz等[7]论证了基于明度、色度和饱和度(intensity, hue and saturation, IHS)变换、主成分(principal compoent analysis, PCA)变换、自适应图像融合(adaptive image fusion, AIF)和彩色标准变换(Brovey)等标准传感器融合技术结合卫星数据的光谱和空间信息用于森林植被人工目视判读的潜力; 田建林等[8]基于人工目视判读法有效提取了灌木林和果园、经济林和用材林等易混林地信息. ...
Sensor fused images for visual interpretation forest stand borders
2
1999
... 人工目视解译法是学者早期借助遥感技术开展植被信息提取的重要方法,主要基于遥感影像的地物颜色、形态和位置等特征结合解译者先验知识直接进行地物判读和信息提取[6],具有高解译精度的优势.国内外很多学者在早期植被遥感信息提取中都采用了人工目视解译法,并取得了良好效果.如Fritz等[7]论证了基于明度、色度和饱和度(intensity, hue and saturation, IHS)变换、主成分(principal compoent analysis, PCA)变换、自适应图像融合(adaptive image fusion, AIF)和彩色标准变换(Brovey)等标准传感器融合技术结合卫星数据的光谱和空间信息用于森林植被人工目视判读的潜力; 田建林等[8]基于人工目视判读法有效提取了灌木林和果园、经济林和用材林等易混林地信息. ...
... 不同数据源的遥感数据在植被信息提取中各有优势.将不同空间分辨率、不同光谱分辨率、不同传感器平台的多源遥感数据相结合,是提高地物分类精度的有效方法,也是当前基于遥感的地物信息提取方法发展趋势之一.多源遥感数据融合层次可划分为像素级、特征级和决策级[38].近年来,国内外学者对多源遥感数据的融合做了大量尝试,其中常用的遥感数据融合方法包括PCA变换、核主成分分析(kernel principal component analysis, KPCA)变换、Brovey变换、HIS变换 、卡洛南-洛伊(Karhunen-Loeve, K-L)变换、小波(wavelet transform, WT)变换和高通滤波(high-pass filter,HPF)变换等[7].如Chang等[39]基于HIS和WT法将合成孔径雷达(synthetic aperture Radar,SAR)和SPOT多光谱数据融合,发现基于HIS方法变换融合的结果分类精度更高; Mao等[40]融合高分一号卫星、资源三号卫星和机载激光雷达数据对东北典型天然次生林的4个层次植被信息进行了对比分析,为多层次多尺度植被类型提取提供了参考; 白杨等[41]等采用模糊C均值法(fuzzy c-means, FCM)对分别采用PCA和KPCA法融合后的影像进行植被、水体等地物信息提取,结果表明基于KPCA的提取精度更高; 王体雯等[42]基于HPF法将中巴地球资源卫星数据与高级合成孔径雷达数据融合,研究表明基于HPF融合处理的影像的植被提取精度明显提高.总之,多源遥感数据具有大范围和长时间序列的优势,可综合多源数据的优势特征,为地物信息提取提供了新途径,弥补了单一数据和分类方法的缺陷. ...
QuickBird影像目视判读在土地利用类型调查中的应用研究
1
2006
... 人工目视解译法是学者早期借助遥感技术开展植被信息提取的重要方法,主要基于遥感影像的地物颜色、形态和位置等特征结合解译者先验知识直接进行地物判读和信息提取[6],具有高解译精度的优势.国内外很多学者在早期植被遥感信息提取中都采用了人工目视解译法,并取得了良好效果.如Fritz等[7]论证了基于明度、色度和饱和度(intensity, hue and saturation, IHS)变换、主成分(principal compoent analysis, PCA)变换、自适应图像融合(adaptive image fusion, AIF)和彩色标准变换(Brovey)等标准传感器融合技术结合卫星数据的光谱和空间信息用于森林植被人工目视判读的潜力; 田建林等[8]基于人工目视判读法有效提取了灌木林和果园、经济林和用材林等易混林地信息. ...
QuickBird影像目视判读在土地利用类型调查中的应用研究
1
2006
... 人工目视解译法是学者早期借助遥感技术开展植被信息提取的重要方法,主要基于遥感影像的地物颜色、形态和位置等特征结合解译者先验知识直接进行地物判读和信息提取[6],具有高解译精度的优势.国内外很多学者在早期植被遥感信息提取中都采用了人工目视解译法,并取得了良好效果.如Fritz等[7]论证了基于明度、色度和饱和度(intensity, hue and saturation, IHS)变换、主成分(principal compoent analysis, PCA)变换、自适应图像融合(adaptive image fusion, AIF)和彩色标准变换(Brovey)等标准传感器融合技术结合卫星数据的光谱和空间信息用于森林植被人工目视判读的潜力; 田建林等[8]基于人工目视判读法有效提取了灌木林和果园、经济林和用材林等易混林地信息. ...
云南主要森林植被碳储量及固碳潜力模拟研究
1
2017
... 人工目视解译法虽然具有高解译精度的优势,但仅适用于小范围地物信息提取.随着遥感影像空间分辨率和光谱分辨率的提高,人工目视解译的工作量大幅度增加,解译成本和解译主观性随之增大.因此,越来越多的学者将人工目视解译法与计算机自动解译法相结合,并逐渐成为高精度遥感影像解译的主要生产方式[9-10]. ...
云南主要森林植被碳储量及固碳潜力模拟研究
1
2017
... 人工目视解译法虽然具有高解译精度的优势,但仅适用于小范围地物信息提取.随着遥感影像空间分辨率和光谱分辨率的提高,人工目视解译的工作量大幅度增加,解译成本和解译主观性随之增大.因此,越来越多的学者将人工目视解译法与计算机自动解译法相结合,并逐渐成为高精度遥感影像解译的主要生产方式[9-10]. ...
基于高分辨率遥感影像的滇池湖滨湿地植被类型监测
1
2013
... 人工目视解译法虽然具有高解译精度的优势,但仅适用于小范围地物信息提取.随着遥感影像空间分辨率和光谱分辨率的提高,人工目视解译的工作量大幅度增加,解译成本和解译主观性随之增大.因此,越来越多的学者将人工目视解译法与计算机自动解译法相结合,并逐渐成为高精度遥感影像解译的主要生产方式[9-10]. ...
基于高分辨率遥感影像的滇池湖滨湿地植被类型监测
1
2013
... 人工目视解译法虽然具有高解译精度的优势,但仅适用于小范围地物信息提取.随着遥感影像空间分辨率和光谱分辨率的提高,人工目视解译的工作量大幅度增加,解译成本和解译主观性随之增大.因此,越来越多的学者将人工目视解译法与计算机自动解译法相结合,并逐渐成为高精度遥感影像解译的主要生产方式[9-10]. ...
Classification of mangroves vegetation species using texture analysis on Rapideye satellite imagery
1
2013
... 监督分类是人机交互式解译中利用先验知识开展地物信息提取的经典方法,在植被遥感信息提取中的应用十分广泛.监督分类常用的判别函数确定方法包括最大似然法、平行六面体法、马氏距离法和最小距离法等.如Roslani等[11]利用最大似然分类法对马来西亚霹雳州红树林森林保护区的11种红树林植被进行了识别.此外,学者们还基于多种监督分类方法的优点,综合开展植被信息提取,并取得了良好效果.如雷江涛[12]等将多种监督分类方法进行融合与优化,提出了一种森林面积变化自动监测方法; 肖凡等[13]分别采用平行六面体、马氏距离、最大似然、支持向量机等方法对湖南省长沙市望城区的土地利用分类展开了相关研究,研究表明最大似然法和支持向量机法具有更高解译精度. ...
基于监督分类融合与优化的森林面积变化自动检测方法
1
2019
... 监督分类是人机交互式解译中利用先验知识开展地物信息提取的经典方法,在植被遥感信息提取中的应用十分广泛.监督分类常用的判别函数确定方法包括最大似然法、平行六面体法、马氏距离法和最小距离法等.如Roslani等[11]利用最大似然分类法对马来西亚霹雳州红树林森林保护区的11种红树林植被进行了识别.此外,学者们还基于多种监督分类方法的优点,综合开展植被信息提取,并取得了良好效果.如雷江涛[12]等将多种监督分类方法进行融合与优化,提出了一种森林面积变化自动监测方法; 肖凡等[13]分别采用平行六面体、马氏距离、最大似然、支持向量机等方法对湖南省长沙市望城区的土地利用分类展开了相关研究,研究表明最大似然法和支持向量机法具有更高解译精度. ...
基于监督分类融合与优化的森林面积变化自动检测方法
1
2019
... 监督分类是人机交互式解译中利用先验知识开展地物信息提取的经典方法,在植被遥感信息提取中的应用十分广泛.监督分类常用的判别函数确定方法包括最大似然法、平行六面体法、马氏距离法和最小距离法等.如Roslani等[11]利用最大似然分类法对马来西亚霹雳州红树林森林保护区的11种红树林植被进行了识别.此外,学者们还基于多种监督分类方法的优点,综合开展植被信息提取,并取得了良好效果.如雷江涛[12]等将多种监督分类方法进行融合与优化,提出了一种森林面积变化自动监测方法; 肖凡等[13]分别采用平行六面体、马氏距离、最大似然、支持向量机等方法对湖南省长沙市望城区的土地利用分类展开了相关研究,研究表明最大似然法和支持向量机法具有更高解译精度. ...
基于Landsat8数据和监督分类方法的土地利用分类研究
1
2020
... 监督分类是人机交互式解译中利用先验知识开展地物信息提取的经典方法,在植被遥感信息提取中的应用十分广泛.监督分类常用的判别函数确定方法包括最大似然法、平行六面体法、马氏距离法和最小距离法等.如Roslani等[11]利用最大似然分类法对马来西亚霹雳州红树林森林保护区的11种红树林植被进行了识别.此外,学者们还基于多种监督分类方法的优点,综合开展植被信息提取,并取得了良好效果.如雷江涛[12]等将多种监督分类方法进行融合与优化,提出了一种森林面积变化自动监测方法; 肖凡等[13]分别采用平行六面体、马氏距离、最大似然、支持向量机等方法对湖南省长沙市望城区的土地利用分类展开了相关研究,研究表明最大似然法和支持向量机法具有更高解译精度. ...
基于Landsat8数据和监督分类方法的土地利用分类研究
1
2020
... 监督分类是人机交互式解译中利用先验知识开展地物信息提取的经典方法,在植被遥感信息提取中的应用十分广泛.监督分类常用的判别函数确定方法包括最大似然法、平行六面体法、马氏距离法和最小距离法等.如Roslani等[11]利用最大似然分类法对马来西亚霹雳州红树林森林保护区的11种红树林植被进行了识别.此外,学者们还基于多种监督分类方法的优点,综合开展植被信息提取,并取得了良好效果.如雷江涛[12]等将多种监督分类方法进行融合与优化,提出了一种森林面积变化自动监测方法; 肖凡等[13]分别采用平行六面体、马氏距离、最大似然、支持向量机等方法对湖南省长沙市望城区的土地利用分类展开了相关研究,研究表明最大似然法和支持向量机法具有更高解译精度. ...
迭代非监督分类快速提取林地信息的研究
1
2013
... 与监督分类相对应,非监督分类的应用也十分广泛,应用比较成熟的聚类算法主要包括K-均值法(K-Means)和迭代自组织数据分析算法(ISODATA).如任玉冰等[14]运用ISODATA方法对哈密地区进行了林地信息提取,取得了良好解译效果; 吴焕丽等[15]采用自适应果蝇均值聚类(IFOA-K-means)算法进行了小麦作物信息提取,其运行时间和峰值信噪比都具有相对优势. ...
迭代非监督分类快速提取林地信息的研究
1
2013
... 与监督分类相对应,非监督分类的应用也十分广泛,应用比较成熟的聚类算法主要包括K-均值法(K-Means)和迭代自组织数据分析算法(ISODATA).如任玉冰等[14]运用ISODATA方法对哈密地区进行了林地信息提取,取得了良好解译效果; 吴焕丽等[15]采用自适应果蝇均值聚类(IFOA-K-means)算法进行了小麦作物信息提取,其运行时间和峰值信噪比都具有相对优势. ...
基于改进K-means图像分割算法的细叶作物覆盖度提取
1
2019
... 与监督分类相对应,非监督分类的应用也十分广泛,应用比较成熟的聚类算法主要包括K-均值法(K-Means)和迭代自组织数据分析算法(ISODATA).如任玉冰等[14]运用ISODATA方法对哈密地区进行了林地信息提取,取得了良好解译效果; 吴焕丽等[15]采用自适应果蝇均值聚类(IFOA-K-means)算法进行了小麦作物信息提取,其运行时间和峰值信噪比都具有相对优势. ...
基于改进K-means图像分割算法的细叶作物覆盖度提取
1
2019
... 与监督分类相对应,非监督分类的应用也十分广泛,应用比较成熟的聚类算法主要包括K-均值法(K-Means)和迭代自组织数据分析算法(ISODATA).如任玉冰等[14]运用ISODATA方法对哈密地区进行了林地信息提取,取得了良好解译效果; 吴焕丽等[15]采用自适应果蝇均值聚类(IFOA-K-means)算法进行了小麦作物信息提取,其运行时间和峰值信噪比都具有相对优势. ...
A comparison of supervised,unsupervised and synthetic land use classification methods in the north of Iran
1
2015
... 常用的监督与非监督分类方法对比详见表1.监督分类与非监督分类的本质区别在于分类结果是否可明确地物具体属于哪种类别,二者各有优缺点.监督分类可避免结果中出现不必要类别,且可通过训练样本预先检测分类精度.但监督分类方案设置不合理或不全面,会导致地物类别可分性差.此外,训练样本的选取具有主观性,样本选取不足时会影响分类结果的正确性.非监督分类客观性强,不易遗漏覆盖面积小的地类.但分类结果多取决于遥感数据,较难通过人为控制来获取期望的聚类结果.因此,国内外学者们逐渐将两种方法相结合以开展植被遥感信息提取,在一定程度上提高了植被的分类精度[16-17]. ...
湿地植被遥感提取及动态变化研究——以崇明东滩为例
1
2018
... 常用的监督与非监督分类方法对比详见表1.监督分类与非监督分类的本质区别在于分类结果是否可明确地物具体属于哪种类别,二者各有优缺点.监督分类可避免结果中出现不必要类别,且可通过训练样本预先检测分类精度.但监督分类方案设置不合理或不全面,会导致地物类别可分性差.此外,训练样本的选取具有主观性,样本选取不足时会影响分类结果的正确性.非监督分类客观性强,不易遗漏覆盖面积小的地类.但分类结果多取决于遥感数据,较难通过人为控制来获取期望的聚类结果.因此,国内外学者们逐渐将两种方法相结合以开展植被遥感信息提取,在一定程度上提高了植被的分类精度[16-17]. ...
湿地植被遥感提取及动态变化研究——以崇明东滩为例
1
2018
... 常用的监督与非监督分类方法对比详见表1.监督分类与非监督分类的本质区别在于分类结果是否可明确地物具体属于哪种类别,二者各有优缺点.监督分类可避免结果中出现不必要类别,且可通过训练样本预先检测分类精度.但监督分类方案设置不合理或不全面,会导致地物类别可分性差.此外,训练样本的选取具有主观性,样本选取不足时会影响分类结果的正确性.非监督分类客观性强,不易遗漏覆盖面积小的地类.但分类结果多取决于遥感数据,较难通过人为控制来获取期望的聚类结果.因此,国内外学者们逐渐将两种方法相结合以开展植被遥感信息提取,在一定程度上提高了植被的分类精度[16-17]. ...
基于垂直带谱的太白山区山地植被遥感信息提取
1
2019
... 不同植被类型在光谱特征、空间分布特征、纹理特征以及几何特征等方面存在显著差异[18].研究表明,随着数字化辅助数据的增多,特别是各种地理信息库的建立,基于专家知识将多源辅助信息数据与卫星数据结合,发展多维信息复合方法对于植被遥感信息提取具有重要作用[19-20].因此,该方法也成为了国内外学者在植被遥感信息提取领域研究的重要方向. ...
基于垂直带谱的太白山区山地植被遥感信息提取
1
2019
... 不同植被类型在光谱特征、空间分布特征、纹理特征以及几何特征等方面存在显著差异[18].研究表明,随着数字化辅助数据的增多,特别是各种地理信息库的建立,基于专家知识将多源辅助信息数据与卫星数据结合,发展多维信息复合方法对于植被遥感信息提取具有重要作用[19-20].因此,该方法也成为了国内外学者在植被遥感信息提取领域研究的重要方向. ...
基于纹理和地形辅助的山区土地利用信息提取研究
1
2017
... 不同植被类型在光谱特征、空间分布特征、纹理特征以及几何特征等方面存在显著差异[18].研究表明,随着数字化辅助数据的增多,特别是各种地理信息库的建立,基于专家知识将多源辅助信息数据与卫星数据结合,发展多维信息复合方法对于植被遥感信息提取具有重要作用[19-20].因此,该方法也成为了国内外学者在植被遥感信息提取领域研究的重要方向. ...
基于纹理和地形辅助的山区土地利用信息提取研究
1
2017
... 不同植被类型在光谱特征、空间分布特征、纹理特征以及几何特征等方面存在显著差异[18].研究表明,随着数字化辅助数据的增多,特别是各种地理信息库的建立,基于专家知识将多源辅助信息数据与卫星数据结合,发展多维信息复合方法对于植被遥感信息提取具有重要作用[19-20].因此,该方法也成为了国内外学者在植被遥感信息提取领域研究的重要方向. ...
Monitoring the cotton growth conditions based on LAI from remote sensing and expert knowledge
1
2011
... 不同植被类型在光谱特征、空间分布特征、纹理特征以及几何特征等方面存在显著差异[18].研究表明,随着数字化辅助数据的增多,特别是各种地理信息库的建立,基于专家知识将多源辅助信息数据与卫星数据结合,发展多维信息复合方法对于植被遥感信息提取具有重要作用[19-20].因此,该方法也成为了国内外学者在植被遥感信息提取领域研究的重要方向. ...
Knowledge-based classification of remote sensing data for the estimation of below- and above-ground organic carbon stocks in riparian forests
1
2012
... 近年来,综合专家知识和光谱、纹理、地形、海拔、土壤等特征的植被信息提取方法应用越来越广泛.如Suchenwirth等[21]结合遥感特征值与河流的距离、地物几何信息和坡度信息等知识规则构建基于知识的遥感分类方法,提取了草地、芦苇等植被信息; Pérez-Valladares等[22]基于专家知识,结合区域气候、地形、岩性等辅助信息提取了墨西哥中部的Tehuacan-Cuicatlan山谷区的植被信息,提取精度得到较大提高; 林丽群等[23]通过结合多源多时相遥感数据的光谱特征、植被物候特征和专家知识,研究了乔木优势树种识别的方法; 任冲[24]综合利用影像光谱特征、纹理特征、时相特征、地形特征与林相图等辅助信息,提出了暖温带复杂地形条件下森林信息多层次、精细化提取方法,森林信息提取精度得到明显提高.以上研究表明,不同类别植被空间分布同时受到地形、气候、海拔等多种因素的影响,基于专家知识和相关辅助信息在很大程度上能提高植被遥感信息提取的精度. ...
An expert knowledge approach for mapping vegetation cover based upon free access cartographic data:The Tehuacan-Cuicatlan Valley,Central Mexico
1
2019
... 近年来,综合专家知识和光谱、纹理、地形、海拔、土壤等特征的植被信息提取方法应用越来越广泛.如Suchenwirth等[21]结合遥感特征值与河流的距离、地物几何信息和坡度信息等知识规则构建基于知识的遥感分类方法,提取了草地、芦苇等植被信息; Pérez-Valladares等[22]基于专家知识,结合区域气候、地形、岩性等辅助信息提取了墨西哥中部的Tehuacan-Cuicatlan山谷区的植被信息,提取精度得到较大提高; 林丽群等[23]通过结合多源多时相遥感数据的光谱特征、植被物候特征和专家知识,研究了乔木优势树种识别的方法; 任冲[24]综合利用影像光谱特征、纹理特征、时相特征、地形特征与林相图等辅助信息,提出了暖温带复杂地形条件下森林信息多层次、精细化提取方法,森林信息提取精度得到明显提高.以上研究表明,不同类别植被空间分布同时受到地形、气候、海拔等多种因素的影响,基于专家知识和相关辅助信息在很大程度上能提高植被遥感信息提取的精度. ...
神农架川金丝猴栖息地优势乔木树种遥感识别及其分布特征
1
2017
... 近年来,综合专家知识和光谱、纹理、地形、海拔、土壤等特征的植被信息提取方法应用越来越广泛.如Suchenwirth等[21]结合遥感特征值与河流的距离、地物几何信息和坡度信息等知识规则构建基于知识的遥感分类方法,提取了草地、芦苇等植被信息; Pérez-Valladares等[22]基于专家知识,结合区域气候、地形、岩性等辅助信息提取了墨西哥中部的Tehuacan-Cuicatlan山谷区的植被信息,提取精度得到较大提高; 林丽群等[23]通过结合多源多时相遥感数据的光谱特征、植被物候特征和专家知识,研究了乔木优势树种识别的方法; 任冲[24]综合利用影像光谱特征、纹理特征、时相特征、地形特征与林相图等辅助信息,提出了暖温带复杂地形条件下森林信息多层次、精细化提取方法,森林信息提取精度得到明显提高.以上研究表明,不同类别植被空间分布同时受到地形、气候、海拔等多种因素的影响,基于专家知识和相关辅助信息在很大程度上能提高植被遥感信息提取的精度. ...
神农架川金丝猴栖息地优势乔木树种遥感识别及其分布特征
1
2017
... 近年来,综合专家知识和光谱、纹理、地形、海拔、土壤等特征的植被信息提取方法应用越来越广泛.如Suchenwirth等[21]结合遥感特征值与河流的距离、地物几何信息和坡度信息等知识规则构建基于知识的遥感分类方法,提取了草地、芦苇等植被信息; Pérez-Valladares等[22]基于专家知识,结合区域气候、地形、岩性等辅助信息提取了墨西哥中部的Tehuacan-Cuicatlan山谷区的植被信息,提取精度得到较大提高; 林丽群等[23]通过结合多源多时相遥感数据的光谱特征、植被物候特征和专家知识,研究了乔木优势树种识别的方法; 任冲[24]综合利用影像光谱特征、纹理特征、时相特征、地形特征与林相图等辅助信息,提出了暖温带复杂地形条件下森林信息多层次、精细化提取方法,森林信息提取精度得到明显提高.以上研究表明,不同类别植被空间分布同时受到地形、气候、海拔等多种因素的影响,基于专家知识和相关辅助信息在很大程度上能提高植被遥感信息提取的精度. ...
1
2016
... 近年来,综合专家知识和光谱、纹理、地形、海拔、土壤等特征的植被信息提取方法应用越来越广泛.如Suchenwirth等[21]结合遥感特征值与河流的距离、地物几何信息和坡度信息等知识规则构建基于知识的遥感分类方法,提取了草地、芦苇等植被信息; Pérez-Valladares等[22]基于专家知识,结合区域气候、地形、岩性等辅助信息提取了墨西哥中部的Tehuacan-Cuicatlan山谷区的植被信息,提取精度得到较大提高; 林丽群等[23]通过结合多源多时相遥感数据的光谱特征、植被物候特征和专家知识,研究了乔木优势树种识别的方法; 任冲[24]综合利用影像光谱特征、纹理特征、时相特征、地形特征与林相图等辅助信息,提出了暖温带复杂地形条件下森林信息多层次、精细化提取方法,森林信息提取精度得到明显提高.以上研究表明,不同类别植被空间分布同时受到地形、气候、海拔等多种因素的影响,基于专家知识和相关辅助信息在很大程度上能提高植被遥感信息提取的精度. ...
1
2016
... 近年来,综合专家知识和光谱、纹理、地形、海拔、土壤等特征的植被信息提取方法应用越来越广泛.如Suchenwirth等[21]结合遥感特征值与河流的距离、地物几何信息和坡度信息等知识规则构建基于知识的遥感分类方法,提取了草地、芦苇等植被信息; Pérez-Valladares等[22]基于专家知识,结合区域气候、地形、岩性等辅助信息提取了墨西哥中部的Tehuacan-Cuicatlan山谷区的植被信息,提取精度得到较大提高; 林丽群等[23]通过结合多源多时相遥感数据的光谱特征、植被物候特征和专家知识,研究了乔木优势树种识别的方法; 任冲[24]综合利用影像光谱特征、纹理特征、时相特征、地形特征与林相图等辅助信息,提出了暖温带复杂地形条件下森林信息多层次、精细化提取方法,森林信息提取精度得到明显提高.以上研究表明,不同类别植被空间分布同时受到地形、气候、海拔等多种因素的影响,基于专家知识和相关辅助信息在很大程度上能提高植被遥感信息提取的精度. ...
植物物候遥感监测精度影响因素研究综述
1
2016
... 植物物候信息主要依据植物生长节律的季节性和年际变化特征进行提取.目前,基于植被物候特征的信息提取方法主要包括地面观测法、遥感分析法、模型模拟法[25].其中,多时相遥感分析方法应用最为广泛[26].而植被指数(vegetation indexes,VIs)是基于物候特征提取植被遥感信息应用最为广泛的指标[27-28].1969年Jordan[29]提出了第一个以植被指数命名的比值植被指数(ratio vegetation index, RVI).此后,RVI被广泛用于绿色生物量的估算和监测研究.归一化植被指数(normalized difference vegetation index, NDVI) 是目前应用最为广泛的植被指数,是有效提高植被覆盖度监测灵敏度的重要指标[30].随着高光谱遥感及热红外遥感技术的发展,遥感影像的波段越来越丰富,尤其是红边波段的运用,极大丰富了植被物候的研究.纵观国内外研究,学者还提出了包括差值植被指数(difference vegetation index, DVI)、垂直植被指数(perpendicular vegetation index, PVI)、土壤调整植被指数(soil adjusted vegetation index, SAVI)、增强植被指数(enhanced vegetation index, EVI)、再归一化植被指数(renormalized difference vegetation index, RDVI)、植被状态指数(vegetation condition index, VCI)等在内的100余种植被指数,大大提升了植被信息提取的效率和精度[2].如董立新[31]基于植被指数建立不同森林类型的叶面积指数(leaf area index, LAI)估算模型,估算三峡库区森林的LAI; Fakhri等[32]提出一种利用粒子群算法(particle swarm optimization, PSO)优化EVI的方法,研究发现局部优化的EVI在视觉可解释性和可解释方差方面都明显优于传统植被指数; 季民等[33]基于VCI揭示了1995—2010年青藏地区植被春旱的时空变化特征; 汪小钦等[34]研究表明基于可见光波段差异植被指数(visible-band difference vegetation index, VDVI)可有效提取可见光波段无人机遥感影像的健康绿色植被信息,较过绿指数(excess green index, EXGI)、归一化绿红差值指数(normalized green-red difference index, NGRDI)等其他可见光植被指数的提取精度大大提高. ...
植物物候遥感监测精度影响因素研究综述
1
2016
... 植物物候信息主要依据植物生长节律的季节性和年际变化特征进行提取.目前,基于植被物候特征的信息提取方法主要包括地面观测法、遥感分析法、模型模拟法[25].其中,多时相遥感分析方法应用最为广泛[26].而植被指数(vegetation indexes,VIs)是基于物候特征提取植被遥感信息应用最为广泛的指标[27-28].1969年Jordan[29]提出了第一个以植被指数命名的比值植被指数(ratio vegetation index, RVI).此后,RVI被广泛用于绿色生物量的估算和监测研究.归一化植被指数(normalized difference vegetation index, NDVI) 是目前应用最为广泛的植被指数,是有效提高植被覆盖度监测灵敏度的重要指标[30].随着高光谱遥感及热红外遥感技术的发展,遥感影像的波段越来越丰富,尤其是红边波段的运用,极大丰富了植被物候的研究.纵观国内外研究,学者还提出了包括差值植被指数(difference vegetation index, DVI)、垂直植被指数(perpendicular vegetation index, PVI)、土壤调整植被指数(soil adjusted vegetation index, SAVI)、增强植被指数(enhanced vegetation index, EVI)、再归一化植被指数(renormalized difference vegetation index, RDVI)、植被状态指数(vegetation condition index, VCI)等在内的100余种植被指数,大大提升了植被信息提取的效率和精度[2].如董立新[31]基于植被指数建立不同森林类型的叶面积指数(leaf area index, LAI)估算模型,估算三峡库区森林的LAI; Fakhri等[32]提出一种利用粒子群算法(particle swarm optimization, PSO)优化EVI的方法,研究发现局部优化的EVI在视觉可解释性和可解释方差方面都明显优于传统植被指数; 季民等[33]基于VCI揭示了1995—2010年青藏地区植被春旱的时空变化特征; 汪小钦等[34]研究表明基于可见光波段差异植被指数(visible-band difference vegetation index, VDVI)可有效提取可见光波段无人机遥感影像的健康绿色植被信息,较过绿指数(excess green index, EXGI)、归一化绿红差值指数(normalized green-red difference index, NGRDI)等其他可见光植被指数的提取精度大大提高. ...
基于哨兵2时间序列组合植被指数的作物分类研究
1
2020
... 植物物候信息主要依据植物生长节律的季节性和年际变化特征进行提取.目前,基于植被物候特征的信息提取方法主要包括地面观测法、遥感分析法、模型模拟法[25].其中,多时相遥感分析方法应用最为广泛[26].而植被指数(vegetation indexes,VIs)是基于物候特征提取植被遥感信息应用最为广泛的指标[27-28].1969年Jordan[29]提出了第一个以植被指数命名的比值植被指数(ratio vegetation index, RVI).此后,RVI被广泛用于绿色生物量的估算和监测研究.归一化植被指数(normalized difference vegetation index, NDVI) 是目前应用最为广泛的植被指数,是有效提高植被覆盖度监测灵敏度的重要指标[30].随着高光谱遥感及热红外遥感技术的发展,遥感影像的波段越来越丰富,尤其是红边波段的运用,极大丰富了植被物候的研究.纵观国内外研究,学者还提出了包括差值植被指数(difference vegetation index, DVI)、垂直植被指数(perpendicular vegetation index, PVI)、土壤调整植被指数(soil adjusted vegetation index, SAVI)、增强植被指数(enhanced vegetation index, EVI)、再归一化植被指数(renormalized difference vegetation index, RDVI)、植被状态指数(vegetation condition index, VCI)等在内的100余种植被指数,大大提升了植被信息提取的效率和精度[2].如董立新[31]基于植被指数建立不同森林类型的叶面积指数(leaf area index, LAI)估算模型,估算三峡库区森林的LAI; Fakhri等[32]提出一种利用粒子群算法(particle swarm optimization, PSO)优化EVI的方法,研究发现局部优化的EVI在视觉可解释性和可解释方差方面都明显优于传统植被指数; 季民等[33]基于VCI揭示了1995—2010年青藏地区植被春旱的时空变化特征; 汪小钦等[34]研究表明基于可见光波段差异植被指数(visible-band difference vegetation index, VDVI)可有效提取可见光波段无人机遥感影像的健康绿色植被信息,较过绿指数(excess green index, EXGI)、归一化绿红差值指数(normalized green-red difference index, NGRDI)等其他可见光植被指数的提取精度大大提高. ...
基于哨兵2时间序列组合植被指数的作物分类研究
1
2020
... 植物物候信息主要依据植物生长节律的季节性和年际变化特征进行提取.目前,基于植被物候特征的信息提取方法主要包括地面观测法、遥感分析法、模型模拟法[25].其中,多时相遥感分析方法应用最为广泛[26].而植被指数(vegetation indexes,VIs)是基于物候特征提取植被遥感信息应用最为广泛的指标[27-28].1969年Jordan[29]提出了第一个以植被指数命名的比值植被指数(ratio vegetation index, RVI).此后,RVI被广泛用于绿色生物量的估算和监测研究.归一化植被指数(normalized difference vegetation index, NDVI) 是目前应用最为广泛的植被指数,是有效提高植被覆盖度监测灵敏度的重要指标[30].随着高光谱遥感及热红外遥感技术的发展,遥感影像的波段越来越丰富,尤其是红边波段的运用,极大丰富了植被物候的研究.纵观国内外研究,学者还提出了包括差值植被指数(difference vegetation index, DVI)、垂直植被指数(perpendicular vegetation index, PVI)、土壤调整植被指数(soil adjusted vegetation index, SAVI)、增强植被指数(enhanced vegetation index, EVI)、再归一化植被指数(renormalized difference vegetation index, RDVI)、植被状态指数(vegetation condition index, VCI)等在内的100余种植被指数,大大提升了植被信息提取的效率和精度[2].如董立新[31]基于植被指数建立不同森林类型的叶面积指数(leaf area index, LAI)估算模型,估算三峡库区森林的LAI; Fakhri等[32]提出一种利用粒子群算法(particle swarm optimization, PSO)优化EVI的方法,研究发现局部优化的EVI在视觉可解释性和可解释方差方面都明显优于传统植被指数; 季民等[33]基于VCI揭示了1995—2010年青藏地区植被春旱的时空变化特征; 汪小钦等[34]研究表明基于可见光波段差异植被指数(visible-band difference vegetation index, VDVI)可有效提取可见光波段无人机遥感影像的健康绿色植被信息,较过绿指数(excess green index, EXGI)、归一化绿红差值指数(normalized green-red difference index, NGRDI)等其他可见光植被指数的提取精度大大提高. ...
基于遥感时序特征的地表覆被信息提取
2
2021
... 植物物候信息主要依据植物生长节律的季节性和年际变化特征进行提取.目前,基于植被物候特征的信息提取方法主要包括地面观测法、遥感分析法、模型模拟法[25].其中,多时相遥感分析方法应用最为广泛[26].而植被指数(vegetation indexes,VIs)是基于物候特征提取植被遥感信息应用最为广泛的指标[27-28].1969年Jordan[29]提出了第一个以植被指数命名的比值植被指数(ratio vegetation index, RVI).此后,RVI被广泛用于绿色生物量的估算和监测研究.归一化植被指数(normalized difference vegetation index, NDVI) 是目前应用最为广泛的植被指数,是有效提高植被覆盖度监测灵敏度的重要指标[30].随着高光谱遥感及热红外遥感技术的发展,遥感影像的波段越来越丰富,尤其是红边波段的运用,极大丰富了植被物候的研究.纵观国内外研究,学者还提出了包括差值植被指数(difference vegetation index, DVI)、垂直植被指数(perpendicular vegetation index, PVI)、土壤调整植被指数(soil adjusted vegetation index, SAVI)、增强植被指数(enhanced vegetation index, EVI)、再归一化植被指数(renormalized difference vegetation index, RDVI)、植被状态指数(vegetation condition index, VCI)等在内的100余种植被指数,大大提升了植被信息提取的效率和精度[2].如董立新[31]基于植被指数建立不同森林类型的叶面积指数(leaf area index, LAI)估算模型,估算三峡库区森林的LAI; Fakhri等[32]提出一种利用粒子群算法(particle swarm optimization, PSO)优化EVI的方法,研究发现局部优化的EVI在视觉可解释性和可解释方差方面都明显优于传统植被指数; 季民等[33]基于VCI揭示了1995—2010年青藏地区植被春旱的时空变化特征; 汪小钦等[34]研究表明基于可见光波段差异植被指数(visible-band difference vegetation index, VDVI)可有效提取可见光波段无人机遥感影像的健康绿色植被信息,较过绿指数(excess green index, EXGI)、归一化绿红差值指数(normalized green-red difference index, NGRDI)等其他可见光植被指数的提取精度大大提高. ...
... Some calculation formulas of common vegetation indexes
Tab.2 指数名称 | 英文 简称 | 计算公式① | 参考 文献 |
比值植被指数 | RVI | RVI=ρNIR/ρRed | [29] |
差值植被指数 | DVI | DVI=ρNIR-ρRed | [35] |
归一化植被指数 | NDVI | NDVI= $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\rho_{NIR}\ \ + \ \rho_{Red}}$ | [30] |
垂直植被指数 | PVI | PVI= $\frac{\rho_{NIR}\ \ - \ a \rho_{Red}\ \ - \ b}{\sqrt{1+a^{2}}}$ a=10.489,b=6.604 | [36] |
增强植被指数 | EVI | EVI= $\frac{2.5(\ \ \rho_{NIR}\ \ - \ \rho_{Red}\ \ )}{\rho_{NIR}\ \ + \ 6.0\rho_{Red}\ \ - \ 7.5\rho_{Blue} \ \ + \ 1}$ | [27] |
土壤调整植被指数 | SAVI | SAVI= ( $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\ \ + \ \rho_{Red}\ \ + \ L}\ \ $ )×(1+L) | [37] |
再归一化植被指数 | RDVI | RDVI= $\sqrt{NDVI \times DVI}$ | [37] |
①: ρNIR,ρRed,ρBlue分别为近红外波段、可见光红波段、蓝波段的反射率数值; a,b分别为土壤背景线的斜率和截距; L为土壤调节系数. ...
基于遥感时序特征的地表覆被信息提取
2
2021
... 植物物候信息主要依据植物生长节律的季节性和年际变化特征进行提取.目前,基于植被物候特征的信息提取方法主要包括地面观测法、遥感分析法、模型模拟法[25].其中,多时相遥感分析方法应用最为广泛[26].而植被指数(vegetation indexes,VIs)是基于物候特征提取植被遥感信息应用最为广泛的指标[27-28].1969年Jordan[29]提出了第一个以植被指数命名的比值植被指数(ratio vegetation index, RVI).此后,RVI被广泛用于绿色生物量的估算和监测研究.归一化植被指数(normalized difference vegetation index, NDVI) 是目前应用最为广泛的植被指数,是有效提高植被覆盖度监测灵敏度的重要指标[30].随着高光谱遥感及热红外遥感技术的发展,遥感影像的波段越来越丰富,尤其是红边波段的运用,极大丰富了植被物候的研究.纵观国内外研究,学者还提出了包括差值植被指数(difference vegetation index, DVI)、垂直植被指数(perpendicular vegetation index, PVI)、土壤调整植被指数(soil adjusted vegetation index, SAVI)、增强植被指数(enhanced vegetation index, EVI)、再归一化植被指数(renormalized difference vegetation index, RDVI)、植被状态指数(vegetation condition index, VCI)等在内的100余种植被指数,大大提升了植被信息提取的效率和精度[2].如董立新[31]基于植被指数建立不同森林类型的叶面积指数(leaf area index, LAI)估算模型,估算三峡库区森林的LAI; Fakhri等[32]提出一种利用粒子群算法(particle swarm optimization, PSO)优化EVI的方法,研究发现局部优化的EVI在视觉可解释性和可解释方差方面都明显优于传统植被指数; 季民等[33]基于VCI揭示了1995—2010年青藏地区植被春旱的时空变化特征; 汪小钦等[34]研究表明基于可见光波段差异植被指数(visible-band difference vegetation index, VDVI)可有效提取可见光波段无人机遥感影像的健康绿色植被信息,较过绿指数(excess green index, EXGI)、归一化绿红差值指数(normalized green-red difference index, NGRDI)等其他可见光植被指数的提取精度大大提高. ...
... Some calculation formulas of common vegetation indexes
Tab.2 指数名称 | 英文 简称 | 计算公式① | 参考 文献 |
比值植被指数 | RVI | RVI=ρNIR/ρRed | [29] |
差值植被指数 | DVI | DVI=ρNIR-ρRed | [35] |
归一化植被指数 | NDVI | NDVI= $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\rho_{NIR}\ \ + \ \rho_{Red}}$ | [30] |
垂直植被指数 | PVI | PVI= $\frac{\rho_{NIR}\ \ - \ a \rho_{Red}\ \ - \ b}{\sqrt{1+a^{2}}}$ a=10.489,b=6.604 | [36] |
增强植被指数 | EVI | EVI= $\frac{2.5(\ \ \rho_{NIR}\ \ - \ \rho_{Red}\ \ )}{\rho_{NIR}\ \ + \ 6.0\rho_{Red}\ \ - \ 7.5\rho_{Blue} \ \ + \ 1}$ | [27] |
土壤调整植被指数 | SAVI | SAVI= ( $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\ \ + \ \rho_{Red}\ \ + \ L}\ \ $ )×(1+L) | [37] |
再归一化植被指数 | RDVI | RDVI= $\sqrt{NDVI \times DVI}$ | [37] |
①: ρNIR,ρRed,ρBlue分别为近红外波段、可见光红波段、蓝波段的反射率数值; a,b分别为土壤背景线的斜率和截距; L为土壤调节系数. ...
植被物候的遥感提取及其影响因素研究进展
1
2021
... 植物物候信息主要依据植物生长节律的季节性和年际变化特征进行提取.目前,基于植被物候特征的信息提取方法主要包括地面观测法、遥感分析法、模型模拟法[25].其中,多时相遥感分析方法应用最为广泛[26].而植被指数(vegetation indexes,VIs)是基于物候特征提取植被遥感信息应用最为广泛的指标[27-28].1969年Jordan[29]提出了第一个以植被指数命名的比值植被指数(ratio vegetation index, RVI).此后,RVI被广泛用于绿色生物量的估算和监测研究.归一化植被指数(normalized difference vegetation index, NDVI) 是目前应用最为广泛的植被指数,是有效提高植被覆盖度监测灵敏度的重要指标[30].随着高光谱遥感及热红外遥感技术的发展,遥感影像的波段越来越丰富,尤其是红边波段的运用,极大丰富了植被物候的研究.纵观国内外研究,学者还提出了包括差值植被指数(difference vegetation index, DVI)、垂直植被指数(perpendicular vegetation index, PVI)、土壤调整植被指数(soil adjusted vegetation index, SAVI)、增强植被指数(enhanced vegetation index, EVI)、再归一化植被指数(renormalized difference vegetation index, RDVI)、植被状态指数(vegetation condition index, VCI)等在内的100余种植被指数,大大提升了植被信息提取的效率和精度[2].如董立新[31]基于植被指数建立不同森林类型的叶面积指数(leaf area index, LAI)估算模型,估算三峡库区森林的LAI; Fakhri等[32]提出一种利用粒子群算法(particle swarm optimization, PSO)优化EVI的方法,研究发现局部优化的EVI在视觉可解释性和可解释方差方面都明显优于传统植被指数; 季民等[33]基于VCI揭示了1995—2010年青藏地区植被春旱的时空变化特征; 汪小钦等[34]研究表明基于可见光波段差异植被指数(visible-band difference vegetation index, VDVI)可有效提取可见光波段无人机遥感影像的健康绿色植被信息,较过绿指数(excess green index, EXGI)、归一化绿红差值指数(normalized green-red difference index, NGRDI)等其他可见光植被指数的提取精度大大提高. ...
植被物候的遥感提取及其影响因素研究进展
1
2021
... 植物物候信息主要依据植物生长节律的季节性和年际变化特征进行提取.目前,基于植被物候特征的信息提取方法主要包括地面观测法、遥感分析法、模型模拟法[25].其中,多时相遥感分析方法应用最为广泛[26].而植被指数(vegetation indexes,VIs)是基于物候特征提取植被遥感信息应用最为广泛的指标[27-28].1969年Jordan[29]提出了第一个以植被指数命名的比值植被指数(ratio vegetation index, RVI).此后,RVI被广泛用于绿色生物量的估算和监测研究.归一化植被指数(normalized difference vegetation index, NDVI) 是目前应用最为广泛的植被指数,是有效提高植被覆盖度监测灵敏度的重要指标[30].随着高光谱遥感及热红外遥感技术的发展,遥感影像的波段越来越丰富,尤其是红边波段的运用,极大丰富了植被物候的研究.纵观国内外研究,学者还提出了包括差值植被指数(difference vegetation index, DVI)、垂直植被指数(perpendicular vegetation index, PVI)、土壤调整植被指数(soil adjusted vegetation index, SAVI)、增强植被指数(enhanced vegetation index, EVI)、再归一化植被指数(renormalized difference vegetation index, RDVI)、植被状态指数(vegetation condition index, VCI)等在内的100余种植被指数,大大提升了植被信息提取的效率和精度[2].如董立新[31]基于植被指数建立不同森林类型的叶面积指数(leaf area index, LAI)估算模型,估算三峡库区森林的LAI; Fakhri等[32]提出一种利用粒子群算法(particle swarm optimization, PSO)优化EVI的方法,研究发现局部优化的EVI在视觉可解释性和可解释方差方面都明显优于传统植被指数; 季民等[33]基于VCI揭示了1995—2010年青藏地区植被春旱的时空变化特征; 汪小钦等[34]研究表明基于可见光波段差异植被指数(visible-band difference vegetation index, VDVI)可有效提取可见光波段无人机遥感影像的健康绿色植被信息,较过绿指数(excess green index, EXGI)、归一化绿红差值指数(normalized green-red difference index, NGRDI)等其他可见光植被指数的提取精度大大提高. ...
Derivation of leaf-area index from quality of light on the forest floor
2
1969
... 植物物候信息主要依据植物生长节律的季节性和年际变化特征进行提取.目前,基于植被物候特征的信息提取方法主要包括地面观测法、遥感分析法、模型模拟法[25].其中,多时相遥感分析方法应用最为广泛[26].而植被指数(vegetation indexes,VIs)是基于物候特征提取植被遥感信息应用最为广泛的指标[27-28].1969年Jordan[29]提出了第一个以植被指数命名的比值植被指数(ratio vegetation index, RVI).此后,RVI被广泛用于绿色生物量的估算和监测研究.归一化植被指数(normalized difference vegetation index, NDVI) 是目前应用最为广泛的植被指数,是有效提高植被覆盖度监测灵敏度的重要指标[30].随着高光谱遥感及热红外遥感技术的发展,遥感影像的波段越来越丰富,尤其是红边波段的运用,极大丰富了植被物候的研究.纵观国内外研究,学者还提出了包括差值植被指数(difference vegetation index, DVI)、垂直植被指数(perpendicular vegetation index, PVI)、土壤调整植被指数(soil adjusted vegetation index, SAVI)、增强植被指数(enhanced vegetation index, EVI)、再归一化植被指数(renormalized difference vegetation index, RDVI)、植被状态指数(vegetation condition index, VCI)等在内的100余种植被指数,大大提升了植被信息提取的效率和精度[2].如董立新[31]基于植被指数建立不同森林类型的叶面积指数(leaf area index, LAI)估算模型,估算三峡库区森林的LAI; Fakhri等[32]提出一种利用粒子群算法(particle swarm optimization, PSO)优化EVI的方法,研究发现局部优化的EVI在视觉可解释性和可解释方差方面都明显优于传统植被指数; 季民等[33]基于VCI揭示了1995—2010年青藏地区植被春旱的时空变化特征; 汪小钦等[34]研究表明基于可见光波段差异植被指数(visible-band difference vegetation index, VDVI)可有效提取可见光波段无人机遥感影像的健康绿色植被信息,较过绿指数(excess green index, EXGI)、归一化绿红差值指数(normalized green-red difference index, NGRDI)等其他可见光植被指数的提取精度大大提高. ...
... Some calculation formulas of common vegetation indexes
Tab.2 指数名称 | 英文 简称 | 计算公式① | 参考 文献 |
比值植被指数 | RVI | RVI=ρNIR/ρRed | [29] |
差值植被指数 | DVI | DVI=ρNIR-ρRed | [35] |
归一化植被指数 | NDVI | NDVI= $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\rho_{NIR}\ \ + \ \rho_{Red}}$ | [30] |
垂直植被指数 | PVI | PVI= $\frac{\rho_{NIR}\ \ - \ a \rho_{Red}\ \ - \ b}{\sqrt{1+a^{2}}}$ a=10.489,b=6.604 | [36] |
增强植被指数 | EVI | EVI= $\frac{2.5(\ \ \rho_{NIR}\ \ - \ \rho_{Red}\ \ )}{\rho_{NIR}\ \ + \ 6.0\rho_{Red}\ \ - \ 7.5\rho_{Blue} \ \ + \ 1}$ | [27] |
土壤调整植被指数 | SAVI | SAVI= ( $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\ \ + \ \rho_{Red}\ \ + \ L}\ \ $ )×(1+L) | [37] |
再归一化植被指数 | RDVI | RDVI= $\sqrt{NDVI \times DVI}$ | [37] |
①: ρNIR,ρRed,ρBlue分别为近红外波段、可见光红波段、蓝波段的反射率数值; a,b分别为土壤背景线的斜率和截距; L为土壤调节系数. ...
基于植被指数的林地变化检测技术研究
2
2020
... 植物物候信息主要依据植物生长节律的季节性和年际变化特征进行提取.目前,基于植被物候特征的信息提取方法主要包括地面观测法、遥感分析法、模型模拟法[25].其中,多时相遥感分析方法应用最为广泛[26].而植被指数(vegetation indexes,VIs)是基于物候特征提取植被遥感信息应用最为广泛的指标[27-28].1969年Jordan[29]提出了第一个以植被指数命名的比值植被指数(ratio vegetation index, RVI).此后,RVI被广泛用于绿色生物量的估算和监测研究.归一化植被指数(normalized difference vegetation index, NDVI) 是目前应用最为广泛的植被指数,是有效提高植被覆盖度监测灵敏度的重要指标[30].随着高光谱遥感及热红外遥感技术的发展,遥感影像的波段越来越丰富,尤其是红边波段的运用,极大丰富了植被物候的研究.纵观国内外研究,学者还提出了包括差值植被指数(difference vegetation index, DVI)、垂直植被指数(perpendicular vegetation index, PVI)、土壤调整植被指数(soil adjusted vegetation index, SAVI)、增强植被指数(enhanced vegetation index, EVI)、再归一化植被指数(renormalized difference vegetation index, RDVI)、植被状态指数(vegetation condition index, VCI)等在内的100余种植被指数,大大提升了植被信息提取的效率和精度[2].如董立新[31]基于植被指数建立不同森林类型的叶面积指数(leaf area index, LAI)估算模型,估算三峡库区森林的LAI; Fakhri等[32]提出一种利用粒子群算法(particle swarm optimization, PSO)优化EVI的方法,研究发现局部优化的EVI在视觉可解释性和可解释方差方面都明显优于传统植被指数; 季民等[33]基于VCI揭示了1995—2010年青藏地区植被春旱的时空变化特征; 汪小钦等[34]研究表明基于可见光波段差异植被指数(visible-band difference vegetation index, VDVI)可有效提取可见光波段无人机遥感影像的健康绿色植被信息,较过绿指数(excess green index, EXGI)、归一化绿红差值指数(normalized green-red difference index, NGRDI)等其他可见光植被指数的提取精度大大提高. ...
... Some calculation formulas of common vegetation indexes
Tab.2 指数名称 | 英文 简称 | 计算公式① | 参考 文献 |
比值植被指数 | RVI | RVI=ρNIR/ρRed | [29] |
差值植被指数 | DVI | DVI=ρNIR-ρRed | [35] |
归一化植被指数 | NDVI | NDVI= $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\rho_{NIR}\ \ + \ \rho_{Red}}$ | [30] |
垂直植被指数 | PVI | PVI= $\frac{\rho_{NIR}\ \ - \ a \rho_{Red}\ \ - \ b}{\sqrt{1+a^{2}}}$ a=10.489,b=6.604 | [36] |
增强植被指数 | EVI | EVI= $\frac{2.5(\ \ \rho_{NIR}\ \ - \ \rho_{Red}\ \ )}{\rho_{NIR}\ \ + \ 6.0\rho_{Red}\ \ - \ 7.5\rho_{Blue} \ \ + \ 1}$ | [27] |
土壤调整植被指数 | SAVI | SAVI= ( $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\ \ + \ \rho_{Red}\ \ + \ L}\ \ $ )×(1+L) | [37] |
再归一化植被指数 | RDVI | RDVI= $\sqrt{NDVI \times DVI}$ | [37] |
①: ρNIR,ρRed,ρBlue分别为近红外波段、可见光红波段、蓝波段的反射率数值; a,b分别为土壤背景线的斜率和截距; L为土壤调节系数. ...
基于植被指数的林地变化检测技术研究
2
2020
... 植物物候信息主要依据植物生长节律的季节性和年际变化特征进行提取.目前,基于植被物候特征的信息提取方法主要包括地面观测法、遥感分析法、模型模拟法[25].其中,多时相遥感分析方法应用最为广泛[26].而植被指数(vegetation indexes,VIs)是基于物候特征提取植被遥感信息应用最为广泛的指标[27-28].1969年Jordan[29]提出了第一个以植被指数命名的比值植被指数(ratio vegetation index, RVI).此后,RVI被广泛用于绿色生物量的估算和监测研究.归一化植被指数(normalized difference vegetation index, NDVI) 是目前应用最为广泛的植被指数,是有效提高植被覆盖度监测灵敏度的重要指标[30].随着高光谱遥感及热红外遥感技术的发展,遥感影像的波段越来越丰富,尤其是红边波段的运用,极大丰富了植被物候的研究.纵观国内外研究,学者还提出了包括差值植被指数(difference vegetation index, DVI)、垂直植被指数(perpendicular vegetation index, PVI)、土壤调整植被指数(soil adjusted vegetation index, SAVI)、增强植被指数(enhanced vegetation index, EVI)、再归一化植被指数(renormalized difference vegetation index, RDVI)、植被状态指数(vegetation condition index, VCI)等在内的100余种植被指数,大大提升了植被信息提取的效率和精度[2].如董立新[31]基于植被指数建立不同森林类型的叶面积指数(leaf area index, LAI)估算模型,估算三峡库区森林的LAI; Fakhri等[32]提出一种利用粒子群算法(particle swarm optimization, PSO)优化EVI的方法,研究发现局部优化的EVI在视觉可解释性和可解释方差方面都明显优于传统植被指数; 季民等[33]基于VCI揭示了1995—2010年青藏地区植被春旱的时空变化特征; 汪小钦等[34]研究表明基于可见光波段差异植被指数(visible-band difference vegetation index, VDVI)可有效提取可见光波段无人机遥感影像的健康绿色植被信息,较过绿指数(excess green index, EXGI)、归一化绿红差值指数(normalized green-red difference index, NGRDI)等其他可见光植被指数的提取精度大大提高. ...
... Some calculation formulas of common vegetation indexes
Tab.2 指数名称 | 英文 简称 | 计算公式① | 参考 文献 |
比值植被指数 | RVI | RVI=ρNIR/ρRed | [29] |
差值植被指数 | DVI | DVI=ρNIR-ρRed | [35] |
归一化植被指数 | NDVI | NDVI= $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\rho_{NIR}\ \ + \ \rho_{Red}}$ | [30] |
垂直植被指数 | PVI | PVI= $\frac{\rho_{NIR}\ \ - \ a \rho_{Red}\ \ - \ b}{\sqrt{1+a^{2}}}$ a=10.489,b=6.604 | [36] |
增强植被指数 | EVI | EVI= $\frac{2.5(\ \ \rho_{NIR}\ \ - \ \rho_{Red}\ \ )}{\rho_{NIR}\ \ + \ 6.0\rho_{Red}\ \ - \ 7.5\rho_{Blue} \ \ + \ 1}$ | [27] |
土壤调整植被指数 | SAVI | SAVI= ( $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\ \ + \ \rho_{Red}\ \ + \ L}\ \ $ )×(1+L) | [37] |
再归一化植被指数 | RDVI | RDVI= $\sqrt{NDVI \times DVI}$ | [37] |
①: ρNIR,ρRed,ρBlue分别为近红外波段、可见光红波段、蓝波段的反射率数值; a,b分别为土壤背景线的斜率和截距; L为土壤调节系数. ...
三峡库区森林叶面积指数多模型遥感估算
1
2019
... 植物物候信息主要依据植物生长节律的季节性和年际变化特征进行提取.目前,基于植被物候特征的信息提取方法主要包括地面观测法、遥感分析法、模型模拟法[25].其中,多时相遥感分析方法应用最为广泛[26].而植被指数(vegetation indexes,VIs)是基于物候特征提取植被遥感信息应用最为广泛的指标[27-28].1969年Jordan[29]提出了第一个以植被指数命名的比值植被指数(ratio vegetation index, RVI).此后,RVI被广泛用于绿色生物量的估算和监测研究.归一化植被指数(normalized difference vegetation index, NDVI) 是目前应用最为广泛的植被指数,是有效提高植被覆盖度监测灵敏度的重要指标[30].随着高光谱遥感及热红外遥感技术的发展,遥感影像的波段越来越丰富,尤其是红边波段的运用,极大丰富了植被物候的研究.纵观国内外研究,学者还提出了包括差值植被指数(difference vegetation index, DVI)、垂直植被指数(perpendicular vegetation index, PVI)、土壤调整植被指数(soil adjusted vegetation index, SAVI)、增强植被指数(enhanced vegetation index, EVI)、再归一化植被指数(renormalized difference vegetation index, RDVI)、植被状态指数(vegetation condition index, VCI)等在内的100余种植被指数,大大提升了植被信息提取的效率和精度[2].如董立新[31]基于植被指数建立不同森林类型的叶面积指数(leaf area index, LAI)估算模型,估算三峡库区森林的LAI; Fakhri等[32]提出一种利用粒子群算法(particle swarm optimization, PSO)优化EVI的方法,研究发现局部优化的EVI在视觉可解释性和可解释方差方面都明显优于传统植被指数; 季民等[33]基于VCI揭示了1995—2010年青藏地区植被春旱的时空变化特征; 汪小钦等[34]研究表明基于可见光波段差异植被指数(visible-band difference vegetation index, VDVI)可有效提取可见光波段无人机遥感影像的健康绿色植被信息,较过绿指数(excess green index, EXGI)、归一化绿红差值指数(normalized green-red difference index, NGRDI)等其他可见光植被指数的提取精度大大提高. ...
三峡库区森林叶面积指数多模型遥感估算
1
2019
... 植物物候信息主要依据植物生长节律的季节性和年际变化特征进行提取.目前,基于植被物候特征的信息提取方法主要包括地面观测法、遥感分析法、模型模拟法[25].其中,多时相遥感分析方法应用最为广泛[26].而植被指数(vegetation indexes,VIs)是基于物候特征提取植被遥感信息应用最为广泛的指标[27-28].1969年Jordan[29]提出了第一个以植被指数命名的比值植被指数(ratio vegetation index, RVI).此后,RVI被广泛用于绿色生物量的估算和监测研究.归一化植被指数(normalized difference vegetation index, NDVI) 是目前应用最为广泛的植被指数,是有效提高植被覆盖度监测灵敏度的重要指标[30].随着高光谱遥感及热红外遥感技术的发展,遥感影像的波段越来越丰富,尤其是红边波段的运用,极大丰富了植被物候的研究.纵观国内外研究,学者还提出了包括差值植被指数(difference vegetation index, DVI)、垂直植被指数(perpendicular vegetation index, PVI)、土壤调整植被指数(soil adjusted vegetation index, SAVI)、增强植被指数(enhanced vegetation index, EVI)、再归一化植被指数(renormalized difference vegetation index, RDVI)、植被状态指数(vegetation condition index, VCI)等在内的100余种植被指数,大大提升了植被信息提取的效率和精度[2].如董立新[31]基于植被指数建立不同森林类型的叶面积指数(leaf area index, LAI)估算模型,估算三峡库区森林的LAI; Fakhri等[32]提出一种利用粒子群算法(particle swarm optimization, PSO)优化EVI的方法,研究发现局部优化的EVI在视觉可解释性和可解释方差方面都明显优于传统植被指数; 季民等[33]基于VCI揭示了1995—2010年青藏地区植被春旱的时空变化特征; 汪小钦等[34]研究表明基于可见光波段差异植被指数(visible-band difference vegetation index, VDVI)可有效提取可见光波段无人机遥感影像的健康绿色植被信息,较过绿指数(excess green index, EXGI)、归一化绿红差值指数(normalized green-red difference index, NGRDI)等其他可见光植被指数的提取精度大大提高. ...
An optimized enhanced vegetation index for sparse tree cover mapping across a mountainous region
1
2019
... 植物物候信息主要依据植物生长节律的季节性和年际变化特征进行提取.目前,基于植被物候特征的信息提取方法主要包括地面观测法、遥感分析法、模型模拟法[25].其中,多时相遥感分析方法应用最为广泛[26].而植被指数(vegetation indexes,VIs)是基于物候特征提取植被遥感信息应用最为广泛的指标[27-28].1969年Jordan[29]提出了第一个以植被指数命名的比值植被指数(ratio vegetation index, RVI).此后,RVI被广泛用于绿色生物量的估算和监测研究.归一化植被指数(normalized difference vegetation index, NDVI) 是目前应用最为广泛的植被指数,是有效提高植被覆盖度监测灵敏度的重要指标[30].随着高光谱遥感及热红外遥感技术的发展,遥感影像的波段越来越丰富,尤其是红边波段的运用,极大丰富了植被物候的研究.纵观国内外研究,学者还提出了包括差值植被指数(difference vegetation index, DVI)、垂直植被指数(perpendicular vegetation index, PVI)、土壤调整植被指数(soil adjusted vegetation index, SAVI)、增强植被指数(enhanced vegetation index, EVI)、再归一化植被指数(renormalized difference vegetation index, RDVI)、植被状态指数(vegetation condition index, VCI)等在内的100余种植被指数,大大提升了植被信息提取的效率和精度[2].如董立新[31]基于植被指数建立不同森林类型的叶面积指数(leaf area index, LAI)估算模型,估算三峡库区森林的LAI; Fakhri等[32]提出一种利用粒子群算法(particle swarm optimization, PSO)优化EVI的方法,研究发现局部优化的EVI在视觉可解释性和可解释方差方面都明显优于传统植被指数; 季民等[33]基于VCI揭示了1995—2010年青藏地区植被春旱的时空变化特征; 汪小钦等[34]研究表明基于可见光波段差异植被指数(visible-band difference vegetation index, VDVI)可有效提取可见光波段无人机遥感影像的健康绿色植被信息,较过绿指数(excess green index, EXGI)、归一化绿红差值指数(normalized green-red difference index, NGRDI)等其他可见光植被指数的提取精度大大提高. ...
基于VCI指数的青藏地区春旱时空动态变化分析
1
2021
... 植物物候信息主要依据植物生长节律的季节性和年际变化特征进行提取.目前,基于植被物候特征的信息提取方法主要包括地面观测法、遥感分析法、模型模拟法[25].其中,多时相遥感分析方法应用最为广泛[26].而植被指数(vegetation indexes,VIs)是基于物候特征提取植被遥感信息应用最为广泛的指标[27-28].1969年Jordan[29]提出了第一个以植被指数命名的比值植被指数(ratio vegetation index, RVI).此后,RVI被广泛用于绿色生物量的估算和监测研究.归一化植被指数(normalized difference vegetation index, NDVI) 是目前应用最为广泛的植被指数,是有效提高植被覆盖度监测灵敏度的重要指标[30].随着高光谱遥感及热红外遥感技术的发展,遥感影像的波段越来越丰富,尤其是红边波段的运用,极大丰富了植被物候的研究.纵观国内外研究,学者还提出了包括差值植被指数(difference vegetation index, DVI)、垂直植被指数(perpendicular vegetation index, PVI)、土壤调整植被指数(soil adjusted vegetation index, SAVI)、增强植被指数(enhanced vegetation index, EVI)、再归一化植被指数(renormalized difference vegetation index, RDVI)、植被状态指数(vegetation condition index, VCI)等在内的100余种植被指数,大大提升了植被信息提取的效率和精度[2].如董立新[31]基于植被指数建立不同森林类型的叶面积指数(leaf area index, LAI)估算模型,估算三峡库区森林的LAI; Fakhri等[32]提出一种利用粒子群算法(particle swarm optimization, PSO)优化EVI的方法,研究发现局部优化的EVI在视觉可解释性和可解释方差方面都明显优于传统植被指数; 季民等[33]基于VCI揭示了1995—2010年青藏地区植被春旱的时空变化特征; 汪小钦等[34]研究表明基于可见光波段差异植被指数(visible-band difference vegetation index, VDVI)可有效提取可见光波段无人机遥感影像的健康绿色植被信息,较过绿指数(excess green index, EXGI)、归一化绿红差值指数(normalized green-red difference index, NGRDI)等其他可见光植被指数的提取精度大大提高. ...
基于VCI指数的青藏地区春旱时空动态变化分析
1
2021
... 植物物候信息主要依据植物生长节律的季节性和年际变化特征进行提取.目前,基于植被物候特征的信息提取方法主要包括地面观测法、遥感分析法、模型模拟法[25].其中,多时相遥感分析方法应用最为广泛[26].而植被指数(vegetation indexes,VIs)是基于物候特征提取植被遥感信息应用最为广泛的指标[27-28].1969年Jordan[29]提出了第一个以植被指数命名的比值植被指数(ratio vegetation index, RVI).此后,RVI被广泛用于绿色生物量的估算和监测研究.归一化植被指数(normalized difference vegetation index, NDVI) 是目前应用最为广泛的植被指数,是有效提高植被覆盖度监测灵敏度的重要指标[30].随着高光谱遥感及热红外遥感技术的发展,遥感影像的波段越来越丰富,尤其是红边波段的运用,极大丰富了植被物候的研究.纵观国内外研究,学者还提出了包括差值植被指数(difference vegetation index, DVI)、垂直植被指数(perpendicular vegetation index, PVI)、土壤调整植被指数(soil adjusted vegetation index, SAVI)、增强植被指数(enhanced vegetation index, EVI)、再归一化植被指数(renormalized difference vegetation index, RDVI)、植被状态指数(vegetation condition index, VCI)等在内的100余种植被指数,大大提升了植被信息提取的效率和精度[2].如董立新[31]基于植被指数建立不同森林类型的叶面积指数(leaf area index, LAI)估算模型,估算三峡库区森林的LAI; Fakhri等[32]提出一种利用粒子群算法(particle swarm optimization, PSO)优化EVI的方法,研究发现局部优化的EVI在视觉可解释性和可解释方差方面都明显优于传统植被指数; 季民等[33]基于VCI揭示了1995—2010年青藏地区植被春旱的时空变化特征; 汪小钦等[34]研究表明基于可见光波段差异植被指数(visible-band difference vegetation index, VDVI)可有效提取可见光波段无人机遥感影像的健康绿色植被信息,较过绿指数(excess green index, EXGI)、归一化绿红差值指数(normalized green-red difference index, NGRDI)等其他可见光植被指数的提取精度大大提高. ...
基于可见光波段无人机遥感的植被信息提取
1
2015
... 植物物候信息主要依据植物生长节律的季节性和年际变化特征进行提取.目前,基于植被物候特征的信息提取方法主要包括地面观测法、遥感分析法、模型模拟法[25].其中,多时相遥感分析方法应用最为广泛[26].而植被指数(vegetation indexes,VIs)是基于物候特征提取植被遥感信息应用最为广泛的指标[27-28].1969年Jordan[29]提出了第一个以植被指数命名的比值植被指数(ratio vegetation index, RVI).此后,RVI被广泛用于绿色生物量的估算和监测研究.归一化植被指数(normalized difference vegetation index, NDVI) 是目前应用最为广泛的植被指数,是有效提高植被覆盖度监测灵敏度的重要指标[30].随着高光谱遥感及热红外遥感技术的发展,遥感影像的波段越来越丰富,尤其是红边波段的运用,极大丰富了植被物候的研究.纵观国内外研究,学者还提出了包括差值植被指数(difference vegetation index, DVI)、垂直植被指数(perpendicular vegetation index, PVI)、土壤调整植被指数(soil adjusted vegetation index, SAVI)、增强植被指数(enhanced vegetation index, EVI)、再归一化植被指数(renormalized difference vegetation index, RDVI)、植被状态指数(vegetation condition index, VCI)等在内的100余种植被指数,大大提升了植被信息提取的效率和精度[2].如董立新[31]基于植被指数建立不同森林类型的叶面积指数(leaf area index, LAI)估算模型,估算三峡库区森林的LAI; Fakhri等[32]提出一种利用粒子群算法(particle swarm optimization, PSO)优化EVI的方法,研究发现局部优化的EVI在视觉可解释性和可解释方差方面都明显优于传统植被指数; 季民等[33]基于VCI揭示了1995—2010年青藏地区植被春旱的时空变化特征; 汪小钦等[34]研究表明基于可见光波段差异植被指数(visible-band difference vegetation index, VDVI)可有效提取可见光波段无人机遥感影像的健康绿色植被信息,较过绿指数(excess green index, EXGI)、归一化绿红差值指数(normalized green-red difference index, NGRDI)等其他可见光植被指数的提取精度大大提高. ...
基于可见光波段无人机遥感的植被信息提取
1
2015
... 植物物候信息主要依据植物生长节律的季节性和年际变化特征进行提取.目前,基于植被物候特征的信息提取方法主要包括地面观测法、遥感分析法、模型模拟法[25].其中,多时相遥感分析方法应用最为广泛[26].而植被指数(vegetation indexes,VIs)是基于物候特征提取植被遥感信息应用最为广泛的指标[27-28].1969年Jordan[29]提出了第一个以植被指数命名的比值植被指数(ratio vegetation index, RVI).此后,RVI被广泛用于绿色生物量的估算和监测研究.归一化植被指数(normalized difference vegetation index, NDVI) 是目前应用最为广泛的植被指数,是有效提高植被覆盖度监测灵敏度的重要指标[30].随着高光谱遥感及热红外遥感技术的发展,遥感影像的波段越来越丰富,尤其是红边波段的运用,极大丰富了植被物候的研究.纵观国内外研究,学者还提出了包括差值植被指数(difference vegetation index, DVI)、垂直植被指数(perpendicular vegetation index, PVI)、土壤调整植被指数(soil adjusted vegetation index, SAVI)、增强植被指数(enhanced vegetation index, EVI)、再归一化植被指数(renormalized difference vegetation index, RDVI)、植被状态指数(vegetation condition index, VCI)等在内的100余种植被指数,大大提升了植被信息提取的效率和精度[2].如董立新[31]基于植被指数建立不同森林类型的叶面积指数(leaf area index, LAI)估算模型,估算三峡库区森林的LAI; Fakhri等[32]提出一种利用粒子群算法(particle swarm optimization, PSO)优化EVI的方法,研究发现局部优化的EVI在视觉可解释性和可解释方差方面都明显优于传统植被指数; 季民等[33]基于VCI揭示了1995—2010年青藏地区植被春旱的时空变化特征; 汪小钦等[34]研究表明基于可见光波段差异植被指数(visible-band difference vegetation index, VDVI)可有效提取可见光波段无人机遥感影像的健康绿色植被信息,较过绿指数(excess green index, EXGI)、归一化绿红差值指数(normalized green-red difference index, NGRDI)等其他可见光植被指数的提取精度大大提高. ...
基于DVI的像元二分模型反演植被覆盖度研究
1
2020
... Some calculation formulas of common vegetation indexes
Tab.2 指数名称 | 英文 简称 | 计算公式① | 参考 文献 |
比值植被指数 | RVI | RVI=ρNIR/ρRed | [29] |
差值植被指数 | DVI | DVI=ρNIR-ρRed | [35] |
归一化植被指数 | NDVI | NDVI= $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\rho_{NIR}\ \ + \ \rho_{Red}}$ | [30] |
垂直植被指数 | PVI | PVI= $\frac{\rho_{NIR}\ \ - \ a \rho_{Red}\ \ - \ b}{\sqrt{1+a^{2}}}$ a=10.489,b=6.604 | [36] |
增强植被指数 | EVI | EVI= $\frac{2.5(\ \ \rho_{NIR}\ \ - \ \rho_{Red}\ \ )}{\rho_{NIR}\ \ + \ 6.0\rho_{Red}\ \ - \ 7.5\rho_{Blue} \ \ + \ 1}$ | [27] |
土壤调整植被指数 | SAVI | SAVI= ( $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\ \ + \ \rho_{Red}\ \ + \ L}\ \ $ )×(1+L) | [37] |
再归一化植被指数 | RDVI | RDVI= $\sqrt{NDVI \times DVI}$ | [37] |
①: ρNIR,ρRed,ρBlue分别为近红外波段、可见光红波段、蓝波段的反射率数值; a,b分别为土壤背景线的斜率和截距; L为土壤调节系数. ...
基于DVI的像元二分模型反演植被覆盖度研究
1
2020
... Some calculation formulas of common vegetation indexes
Tab.2 指数名称 | 英文 简称 | 计算公式① | 参考 文献 |
比值植被指数 | RVI | RVI=ρNIR/ρRed | [29] |
差值植被指数 | DVI | DVI=ρNIR-ρRed | [35] |
归一化植被指数 | NDVI | NDVI= $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\rho_{NIR}\ \ + \ \rho_{Red}}$ | [30] |
垂直植被指数 | PVI | PVI= $\frac{\rho_{NIR}\ \ - \ a \rho_{Red}\ \ - \ b}{\sqrt{1+a^{2}}}$ a=10.489,b=6.604 | [36] |
增强植被指数 | EVI | EVI= $\frac{2.5(\ \ \rho_{NIR}\ \ - \ \rho_{Red}\ \ )}{\rho_{NIR}\ \ + \ 6.0\rho_{Red}\ \ - \ 7.5\rho_{Blue} \ \ + \ 1}$ | [27] |
土壤调整植被指数 | SAVI | SAVI= ( $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\ \ + \ \rho_{Red}\ \ + \ L}\ \ $ )×(1+L) | [37] |
再归一化植被指数 | RDVI | RDVI= $\sqrt{NDVI \times DVI}$ | [37] |
①: ρNIR,ρRed,ρBlue分别为近红外波段、可见光红波段、蓝波段的反射率数值; a,b分别为土壤背景线的斜率和截距; L为土壤调节系数. ...
基于垂直植被指数的湿地植被类型提取研究——以长江口九段沙湿地为例
1
2013
... Some calculation formulas of common vegetation indexes
Tab.2 指数名称 | 英文 简称 | 计算公式① | 参考 文献 |
比值植被指数 | RVI | RVI=ρNIR/ρRed | [29] |
差值植被指数 | DVI | DVI=ρNIR-ρRed | [35] |
归一化植被指数 | NDVI | NDVI= $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\rho_{NIR}\ \ + \ \rho_{Red}}$ | [30] |
垂直植被指数 | PVI | PVI= $\frac{\rho_{NIR}\ \ - \ a \rho_{Red}\ \ - \ b}{\sqrt{1+a^{2}}}$ a=10.489,b=6.604 | [36] |
增强植被指数 | EVI | EVI= $\frac{2.5(\ \ \rho_{NIR}\ \ - \ \rho_{Red}\ \ )}{\rho_{NIR}\ \ + \ 6.0\rho_{Red}\ \ - \ 7.5\rho_{Blue} \ \ + \ 1}$ | [27] |
土壤调整植被指数 | SAVI | SAVI= ( $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\ \ + \ \rho_{Red}\ \ + \ L}\ \ $ )×(1+L) | [37] |
再归一化植被指数 | RDVI | RDVI= $\sqrt{NDVI \times DVI}$ | [37] |
①: ρNIR,ρRed,ρBlue分别为近红外波段、可见光红波段、蓝波段的反射率数值; a,b分别为土壤背景线的斜率和截距; L为土壤调节系数. ...
基于垂直植被指数的湿地植被类型提取研究——以长江口九段沙湿地为例
1
2013
... Some calculation formulas of common vegetation indexes
Tab.2 指数名称 | 英文 简称 | 计算公式① | 参考 文献 |
比值植被指数 | RVI | RVI=ρNIR/ρRed | [29] |
差值植被指数 | DVI | DVI=ρNIR-ρRed | [35] |
归一化植被指数 | NDVI | NDVI= $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\rho_{NIR}\ \ + \ \rho_{Red}}$ | [30] |
垂直植被指数 | PVI | PVI= $\frac{\rho_{NIR}\ \ - \ a \rho_{Red}\ \ - \ b}{\sqrt{1+a^{2}}}$ a=10.489,b=6.604 | [36] |
增强植被指数 | EVI | EVI= $\frac{2.5(\ \ \rho_{NIR}\ \ - \ \rho_{Red}\ \ )}{\rho_{NIR}\ \ + \ 6.0\rho_{Red}\ \ - \ 7.5\rho_{Blue} \ \ + \ 1}$ | [27] |
土壤调整植被指数 | SAVI | SAVI= ( $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\ \ + \ \rho_{Red}\ \ + \ L}\ \ $ )×(1+L) | [37] |
再归一化植被指数 | RDVI | RDVI= $\sqrt{NDVI \times DVI}$ | [37] |
①: ρNIR,ρRed,ρBlue分别为近红外波段、可见光红波段、蓝波段的反射率数值; a,b分别为土壤背景线的斜率和截距; L为土壤调节系数. ...
基于植被指数比较的湿地区域LAI遥感估算研究
2
2016
... Some calculation formulas of common vegetation indexes
Tab.2 指数名称 | 英文 简称 | 计算公式① | 参考 文献 |
比值植被指数 | RVI | RVI=ρNIR/ρRed | [29] |
差值植被指数 | DVI | DVI=ρNIR-ρRed | [35] |
归一化植被指数 | NDVI | NDVI= $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\rho_{NIR}\ \ + \ \rho_{Red}}$ | [30] |
垂直植被指数 | PVI | PVI= $\frac{\rho_{NIR}\ \ - \ a \rho_{Red}\ \ - \ b}{\sqrt{1+a^{2}}}$ a=10.489,b=6.604 | [36] |
增强植被指数 | EVI | EVI= $\frac{2.5(\ \ \rho_{NIR}\ \ - \ \rho_{Red}\ \ )}{\rho_{NIR}\ \ + \ 6.0\rho_{Red}\ \ - \ 7.5\rho_{Blue} \ \ + \ 1}$ | [27] |
土壤调整植被指数 | SAVI | SAVI= ( $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\ \ + \ \rho_{Red}\ \ + \ L}\ \ $ )×(1+L) | [37] |
再归一化植被指数 | RDVI | RDVI= $\sqrt{NDVI \times DVI}$ | [37] |
①: ρNIR,ρRed,ρBlue分别为近红外波段、可见光红波段、蓝波段的反射率数值; a,b分别为土壤背景线的斜率和截距; L为土壤调节系数. ...
... [
37]
①: ρNIR,ρRed,ρBlue分别为近红外波段、可见光红波段、蓝波段的反射率数值; a,b分别为土壤背景线的斜率和截距; L为土壤调节系数. ...
基于植被指数比较的湿地区域LAI遥感估算研究
2
2016
... Some calculation formulas of common vegetation indexes
Tab.2 指数名称 | 英文 简称 | 计算公式① | 参考 文献 |
比值植被指数 | RVI | RVI=ρNIR/ρRed | [29] |
差值植被指数 | DVI | DVI=ρNIR-ρRed | [35] |
归一化植被指数 | NDVI | NDVI= $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\rho_{NIR}\ \ + \ \rho_{Red}}$ | [30] |
垂直植被指数 | PVI | PVI= $\frac{\rho_{NIR}\ \ - \ a \rho_{Red}\ \ - \ b}{\sqrt{1+a^{2}}}$ a=10.489,b=6.604 | [36] |
增强植被指数 | EVI | EVI= $\frac{2.5(\ \ \rho_{NIR}\ \ - \ \rho_{Red}\ \ )}{\rho_{NIR}\ \ + \ 6.0\rho_{Red}\ \ - \ 7.5\rho_{Blue} \ \ + \ 1}$ | [27] |
土壤调整植被指数 | SAVI | SAVI= ( $\frac{\rho_{NIR}\ \ - \ \rho_{Red}}{\ \ + \ \rho_{Red}\ \ + \ L}\ \ $ )×(1+L) | [37] |
再归一化植被指数 | RDVI | RDVI= $\sqrt{NDVI \times DVI}$ | [37] |
①: ρNIR,ρRed,ρBlue分别为近红外波段、可见光红波段、蓝波段的反射率数值; a,b分别为土壤背景线的斜率和截距; L为土壤调节系数. ...
... [
37]
①: ρNIR,ρRed,ρBlue分别为近红外波段、可见光红波段、蓝波段的反射率数值; a,b分别为土壤背景线的斜率和截距; L为土壤调节系数. ...
多源遥感图像融合发展现状与未来展望
1
2021
... 不同数据源的遥感数据在植被信息提取中各有优势.将不同空间分辨率、不同光谱分辨率、不同传感器平台的多源遥感数据相结合,是提高地物分类精度的有效方法,也是当前基于遥感的地物信息提取方法发展趋势之一.多源遥感数据融合层次可划分为像素级、特征级和决策级[38].近年来,国内外学者对多源遥感数据的融合做了大量尝试,其中常用的遥感数据融合方法包括PCA变换、核主成分分析(kernel principal component analysis, KPCA)变换、Brovey变换、HIS变换 、卡洛南-洛伊(Karhunen-Loeve, K-L)变换、小波(wavelet transform, WT)变换和高通滤波(high-pass filter,HPF)变换等[7].如Chang等[39]基于HIS和WT法将合成孔径雷达(synthetic aperture Radar,SAR)和SPOT多光谱数据融合,发现基于HIS方法变换融合的结果分类精度更高; Mao等[40]融合高分一号卫星、资源三号卫星和机载激光雷达数据对东北典型天然次生林的4个层次植被信息进行了对比分析,为多层次多尺度植被类型提取提供了参考; 白杨等[41]等采用模糊C均值法(fuzzy c-means, FCM)对分别采用PCA和KPCA法融合后的影像进行植被、水体等地物信息提取,结果表明基于KPCA的提取精度更高; 王体雯等[42]基于HPF法将中巴地球资源卫星数据与高级合成孔径雷达数据融合,研究表明基于HPF融合处理的影像的植被提取精度明显提高.总之,多源遥感数据具有大范围和长时间序列的优势,可综合多源数据的优势特征,为地物信息提取提供了新途径,弥补了单一数据和分类方法的缺陷. ...
多源遥感图像融合发展现状与未来展望
1
2021
... 不同数据源的遥感数据在植被信息提取中各有优势.将不同空间分辨率、不同光谱分辨率、不同传感器平台的多源遥感数据相结合,是提高地物分类精度的有效方法,也是当前基于遥感的地物信息提取方法发展趋势之一.多源遥感数据融合层次可划分为像素级、特征级和决策级[38].近年来,国内外学者对多源遥感数据的融合做了大量尝试,其中常用的遥感数据融合方法包括PCA变换、核主成分分析(kernel principal component analysis, KPCA)变换、Brovey变换、HIS变换 、卡洛南-洛伊(Karhunen-Loeve, K-L)变换、小波(wavelet transform, WT)变换和高通滤波(high-pass filter,HPF)变换等[7].如Chang等[39]基于HIS和WT法将合成孔径雷达(synthetic aperture Radar,SAR)和SPOT多光谱数据融合,发现基于HIS方法变换融合的结果分类精度更高; Mao等[40]融合高分一号卫星、资源三号卫星和机载激光雷达数据对东北典型天然次生林的4个层次植被信息进行了对比分析,为多层次多尺度植被类型提取提供了参考; 白杨等[41]等采用模糊C均值法(fuzzy c-means, FCM)对分别采用PCA和KPCA法融合后的影像进行植被、水体等地物信息提取,结果表明基于KPCA的提取精度更高; 王体雯等[42]基于HPF法将中巴地球资源卫星数据与高级合成孔径雷达数据融合,研究表明基于HPF融合处理的影像的植被提取精度明显提高.总之,多源遥感数据具有大范围和长时间序列的优势,可综合多源数据的优势特征,为地物信息提取提供了新途径,弥补了单一数据和分类方法的缺陷. ...
Applying image fusion to integrate radar images and SPOT multi-spectral satellite images for forest type classification
1
2015
... 不同数据源的遥感数据在植被信息提取中各有优势.将不同空间分辨率、不同光谱分辨率、不同传感器平台的多源遥感数据相结合,是提高地物分类精度的有效方法,也是当前基于遥感的地物信息提取方法发展趋势之一.多源遥感数据融合层次可划分为像素级、特征级和决策级[38].近年来,国内外学者对多源遥感数据的融合做了大量尝试,其中常用的遥感数据融合方法包括PCA变换、核主成分分析(kernel principal component analysis, KPCA)变换、Brovey变换、HIS变换 、卡洛南-洛伊(Karhunen-Loeve, K-L)变换、小波(wavelet transform, WT)变换和高通滤波(high-pass filter,HPF)变换等[7].如Chang等[39]基于HIS和WT法将合成孔径雷达(synthetic aperture Radar,SAR)和SPOT多光谱数据融合,发现基于HIS方法变换融合的结果分类精度更高; Mao等[40]融合高分一号卫星、资源三号卫星和机载激光雷达数据对东北典型天然次生林的4个层次植被信息进行了对比分析,为多层次多尺度植被类型提取提供了参考; 白杨等[41]等采用模糊C均值法(fuzzy c-means, FCM)对分别采用PCA和KPCA法融合后的影像进行植被、水体等地物信息提取,结果表明基于KPCA的提取精度更高; 王体雯等[42]基于HPF法将中巴地球资源卫星数据与高级合成孔径雷达数据融合,研究表明基于HPF融合处理的影像的植被提取精度明显提高.总之,多源遥感数据具有大范围和长时间序列的优势,可综合多源数据的优势特征,为地物信息提取提供了新途径,弥补了单一数据和分类方法的缺陷. ...
Hierarchical geographic object-based vegetation type extraction based on multi-source remote sensing data
1
2020
... 不同数据源的遥感数据在植被信息提取中各有优势.将不同空间分辨率、不同光谱分辨率、不同传感器平台的多源遥感数据相结合,是提高地物分类精度的有效方法,也是当前基于遥感的地物信息提取方法发展趋势之一.多源遥感数据融合层次可划分为像素级、特征级和决策级[38].近年来,国内外学者对多源遥感数据的融合做了大量尝试,其中常用的遥感数据融合方法包括PCA变换、核主成分分析(kernel principal component analysis, KPCA)变换、Brovey变换、HIS变换 、卡洛南-洛伊(Karhunen-Loeve, K-L)变换、小波(wavelet transform, WT)变换和高通滤波(high-pass filter,HPF)变换等[7].如Chang等[39]基于HIS和WT法将合成孔径雷达(synthetic aperture Radar,SAR)和SPOT多光谱数据融合,发现基于HIS方法变换融合的结果分类精度更高; Mao等[40]融合高分一号卫星、资源三号卫星和机载激光雷达数据对东北典型天然次生林的4个层次植被信息进行了对比分析,为多层次多尺度植被类型提取提供了参考; 白杨等[41]等采用模糊C均值法(fuzzy c-means, FCM)对分别采用PCA和KPCA法融合后的影像进行植被、水体等地物信息提取,结果表明基于KPCA的提取精度更高; 王体雯等[42]基于HPF法将中巴地球资源卫星数据与高级合成孔径雷达数据融合,研究表明基于HPF融合处理的影像的植被提取精度明显提高.总之,多源遥感数据具有大范围和长时间序列的优势,可综合多源数据的优势特征,为地物信息提取提供了新途径,弥补了单一数据和分类方法的缺陷. ...
基于KPCA和FCM的HJ-1A星遥感数据分类
1
2013
... 不同数据源的遥感数据在植被信息提取中各有优势.将不同空间分辨率、不同光谱分辨率、不同传感器平台的多源遥感数据相结合,是提高地物分类精度的有效方法,也是当前基于遥感的地物信息提取方法发展趋势之一.多源遥感数据融合层次可划分为像素级、特征级和决策级[38].近年来,国内外学者对多源遥感数据的融合做了大量尝试,其中常用的遥感数据融合方法包括PCA变换、核主成分分析(kernel principal component analysis, KPCA)变换、Brovey变换、HIS变换 、卡洛南-洛伊(Karhunen-Loeve, K-L)变换、小波(wavelet transform, WT)变换和高通滤波(high-pass filter,HPF)变换等[7].如Chang等[39]基于HIS和WT法将合成孔径雷达(synthetic aperture Radar,SAR)和SPOT多光谱数据融合,发现基于HIS方法变换融合的结果分类精度更高; Mao等[40]融合高分一号卫星、资源三号卫星和机载激光雷达数据对东北典型天然次生林的4个层次植被信息进行了对比分析,为多层次多尺度植被类型提取提供了参考; 白杨等[41]等采用模糊C均值法(fuzzy c-means, FCM)对分别采用PCA和KPCA法融合后的影像进行植被、水体等地物信息提取,结果表明基于KPCA的提取精度更高; 王体雯等[42]基于HPF法将中巴地球资源卫星数据与高级合成孔径雷达数据融合,研究表明基于HPF融合处理的影像的植被提取精度明显提高.总之,多源遥感数据具有大范围和长时间序列的优势,可综合多源数据的优势特征,为地物信息提取提供了新途径,弥补了单一数据和分类方法的缺陷. ...
基于KPCA和FCM的HJ-1A星遥感数据分类
1
2013
... 不同数据源的遥感数据在植被信息提取中各有优势.将不同空间分辨率、不同光谱分辨率、不同传感器平台的多源遥感数据相结合,是提高地物分类精度的有效方法,也是当前基于遥感的地物信息提取方法发展趋势之一.多源遥感数据融合层次可划分为像素级、特征级和决策级[38].近年来,国内外学者对多源遥感数据的融合做了大量尝试,其中常用的遥感数据融合方法包括PCA变换、核主成分分析(kernel principal component analysis, KPCA)变换、Brovey变换、HIS变换 、卡洛南-洛伊(Karhunen-Loeve, K-L)变换、小波(wavelet transform, WT)变换和高通滤波(high-pass filter,HPF)变换等[7].如Chang等[39]基于HIS和WT法将合成孔径雷达(synthetic aperture Radar,SAR)和SPOT多光谱数据融合,发现基于HIS方法变换融合的结果分类精度更高; Mao等[40]融合高分一号卫星、资源三号卫星和机载激光雷达数据对东北典型天然次生林的4个层次植被信息进行了对比分析,为多层次多尺度植被类型提取提供了参考; 白杨等[41]等采用模糊C均值法(fuzzy c-means, FCM)对分别采用PCA和KPCA法融合后的影像进行植被、水体等地物信息提取,结果表明基于KPCA的提取精度更高; 王体雯等[42]基于HPF法将中巴地球资源卫星数据与高级合成孔径雷达数据融合,研究表明基于HPF融合处理的影像的植被提取精度明显提高.总之,多源遥感数据具有大范围和长时间序列的优势,可综合多源数据的优势特征,为地物信息提取提供了新途径,弥补了单一数据和分类方法的缺陷. ...
基于多源遥感影像融合的植被覆盖度信息提取研究
1
2019
... 不同数据源的遥感数据在植被信息提取中各有优势.将不同空间分辨率、不同光谱分辨率、不同传感器平台的多源遥感数据相结合,是提高地物分类精度的有效方法,也是当前基于遥感的地物信息提取方法发展趋势之一.多源遥感数据融合层次可划分为像素级、特征级和决策级[38].近年来,国内外学者对多源遥感数据的融合做了大量尝试,其中常用的遥感数据融合方法包括PCA变换、核主成分分析(kernel principal component analysis, KPCA)变换、Brovey变换、HIS变换 、卡洛南-洛伊(Karhunen-Loeve, K-L)变换、小波(wavelet transform, WT)变换和高通滤波(high-pass filter,HPF)变换等[7].如Chang等[39]基于HIS和WT法将合成孔径雷达(synthetic aperture Radar,SAR)和SPOT多光谱数据融合,发现基于HIS方法变换融合的结果分类精度更高; Mao等[40]融合高分一号卫星、资源三号卫星和机载激光雷达数据对东北典型天然次生林的4个层次植被信息进行了对比分析,为多层次多尺度植被类型提取提供了参考; 白杨等[41]等采用模糊C均值法(fuzzy c-means, FCM)对分别采用PCA和KPCA法融合后的影像进行植被、水体等地物信息提取,结果表明基于KPCA的提取精度更高; 王体雯等[42]基于HPF法将中巴地球资源卫星数据与高级合成孔径雷达数据融合,研究表明基于HPF融合处理的影像的植被提取精度明显提高.总之,多源遥感数据具有大范围和长时间序列的优势,可综合多源数据的优势特征,为地物信息提取提供了新途径,弥补了单一数据和分类方法的缺陷. ...
基于多源遥感影像融合的植被覆盖度信息提取研究
1
2019
... 不同数据源的遥感数据在植被信息提取中各有优势.将不同空间分辨率、不同光谱分辨率、不同传感器平台的多源遥感数据相结合,是提高地物分类精度的有效方法,也是当前基于遥感的地物信息提取方法发展趋势之一.多源遥感数据融合层次可划分为像素级、特征级和决策级[38].近年来,国内外学者对多源遥感数据的融合做了大量尝试,其中常用的遥感数据融合方法包括PCA变换、核主成分分析(kernel principal component analysis, KPCA)变换、Brovey变换、HIS变换 、卡洛南-洛伊(Karhunen-Loeve, K-L)变换、小波(wavelet transform, WT)变换和高通滤波(high-pass filter,HPF)变换等[7].如Chang等[39]基于HIS和WT法将合成孔径雷达(synthetic aperture Radar,SAR)和SPOT多光谱数据融合,发现基于HIS方法变换融合的结果分类精度更高; Mao等[40]融合高分一号卫星、资源三号卫星和机载激光雷达数据对东北典型天然次生林的4个层次植被信息进行了对比分析,为多层次多尺度植被类型提取提供了参考; 白杨等[41]等采用模糊C均值法(fuzzy c-means, FCM)对分别采用PCA和KPCA法融合后的影像进行植被、水体等地物信息提取,结果表明基于KPCA的提取精度更高; 王体雯等[42]基于HPF法将中巴地球资源卫星数据与高级合成孔径雷达数据融合,研究表明基于HPF融合处理的影像的植被提取精度明显提高.总之,多源遥感数据具有大范围和长时间序列的优势,可综合多源数据的优势特征,为地物信息提取提供了新途径,弥补了单一数据和分类方法的缺陷. ...
1
2020
... 随着遥感卫星技术的发展和星载传感器的完善,中高分辨率遥感影像精细化分类成为遥感领域研究的重要内容[43].机器学习的概念起源于1943年学者对人工神经网络(artificial neural network, ANN)的研究.植被遥感信息提取中最常用的神经网络方法包括卷积神经网络(convolutional neural network, CNN)、反向传播神经网络( back-propagation neural network, BPNN)、模糊神经网络(fuzzy neural network, FNN)和径向基神经网络(radial basis function network, RBFNN)等.如Snedden等[44]基于无监督人工神经网络提取了美国路易斯安那州沿海湿地植被群落信息; 段欣荣等[45]整合CNN模型和改进光谱分析方法准确地提取了农作物信息.此外,学者们还致力于基于空间数据挖掘和知识发现的信息提取方法研究,相继提出了支持向量机(support vector machin, SVM)、决策树(decision trees, DT)、随机森林(random forest, RF)等机器学习方法.如陈健等[46]基于SVM分类方法,提取了昆明市城市森林时空分布信息; 田雷等[47]采用DT法研究了不同纬度带下西伯利亚北方森林覆盖的长时间尺度空间变化特征; 崔小芳等[48]采用RF模型对大丰市沿海滩涂湿地区域进行湿地植被精细分类.近年来,基于机器学习算法的植被遥感信息提取成为植被遥感研究中的热点,对于多种机器学习算法的综合应用越来越广泛.如许童羽等[49]将CART决策树和BP神经网络相结合,提出了一种基于Landsat8影像粳稻提取方法,大大提高了粳稻分类精度; 谢锦莹[50]运用全卷积神经网络(full convolutional neural networks, FCN)、RF模型结合面向对象分类法、FCN结合面向对象分类法等方法分别提取滨海湿地植被信息,精度评价结果显示FCN结合面向对象的方法更优.综上,机器学习算法在中、高分辨率植被遥感精细化分类中发挥了重要作用,也进一步推动了地物信息提取的自动化、智能化发展. ...
1
2020
... 随着遥感卫星技术的发展和星载传感器的完善,中高分辨率遥感影像精细化分类成为遥感领域研究的重要内容[43].机器学习的概念起源于1943年学者对人工神经网络(artificial neural network, ANN)的研究.植被遥感信息提取中最常用的神经网络方法包括卷积神经网络(convolutional neural network, CNN)、反向传播神经网络( back-propagation neural network, BPNN)、模糊神经网络(fuzzy neural network, FNN)和径向基神经网络(radial basis function network, RBFNN)等.如Snedden等[44]基于无监督人工神经网络提取了美国路易斯安那州沿海湿地植被群落信息; 段欣荣等[45]整合CNN模型和改进光谱分析方法准确地提取了农作物信息.此外,学者们还致力于基于空间数据挖掘和知识发现的信息提取方法研究,相继提出了支持向量机(support vector machin, SVM)、决策树(decision trees, DT)、随机森林(random forest, RF)等机器学习方法.如陈健等[46]基于SVM分类方法,提取了昆明市城市森林时空分布信息; 田雷等[47]采用DT法研究了不同纬度带下西伯利亚北方森林覆盖的长时间尺度空间变化特征; 崔小芳等[48]采用RF模型对大丰市沿海滩涂湿地区域进行湿地植被精细分类.近年来,基于机器学习算法的植被遥感信息提取成为植被遥感研究中的热点,对于多种机器学习算法的综合应用越来越广泛.如许童羽等[49]将CART决策树和BP神经网络相结合,提出了一种基于Landsat8影像粳稻提取方法,大大提高了粳稻分类精度; 谢锦莹[50]运用全卷积神经网络(full convolutional neural networks, FCN)、RF模型结合面向对象分类法、FCN结合面向对象分类法等方法分别提取滨海湿地植被信息,精度评价结果显示FCN结合面向对象的方法更优.综上,机器学习算法在中、高分辨率植被遥感精细化分类中发挥了重要作用,也进一步推动了地物信息提取的自动化、智能化发展. ...
Patterning emergent marsh vegetation assemblages in coastal Louisiana,USA,with unsupervised artificial neural networks
1
2019
... 随着遥感卫星技术的发展和星载传感器的完善,中高分辨率遥感影像精细化分类成为遥感领域研究的重要内容[43].机器学习的概念起源于1943年学者对人工神经网络(artificial neural network, ANN)的研究.植被遥感信息提取中最常用的神经网络方法包括卷积神经网络(convolutional neural network, CNN)、反向传播神经网络( back-propagation neural network, BPNN)、模糊神经网络(fuzzy neural network, FNN)和径向基神经网络(radial basis function network, RBFNN)等.如Snedden等[44]基于无监督人工神经网络提取了美国路易斯安那州沿海湿地植被群落信息; 段欣荣等[45]整合CNN模型和改进光谱分析方法准确地提取了农作物信息.此外,学者们还致力于基于空间数据挖掘和知识发现的信息提取方法研究,相继提出了支持向量机(support vector machin, SVM)、决策树(decision trees, DT)、随机森林(random forest, RF)等机器学习方法.如陈健等[46]基于SVM分类方法,提取了昆明市城市森林时空分布信息; 田雷等[47]采用DT法研究了不同纬度带下西伯利亚北方森林覆盖的长时间尺度空间变化特征; 崔小芳等[48]采用RF模型对大丰市沿海滩涂湿地区域进行湿地植被精细分类.近年来,基于机器学习算法的植被遥感信息提取成为植被遥感研究中的热点,对于多种机器学习算法的综合应用越来越广泛.如许童羽等[49]将CART决策树和BP神经网络相结合,提出了一种基于Landsat8影像粳稻提取方法,大大提高了粳稻分类精度; 谢锦莹[50]运用全卷积神经网络(full convolutional neural networks, FCN)、RF模型结合面向对象分类法、FCN结合面向对象分类法等方法分别提取滨海湿地植被信息,精度评价结果显示FCN结合面向对象的方法更优.综上,机器学习算法在中、高分辨率植被遥感精细化分类中发挥了重要作用,也进一步推动了地物信息提取的自动化、智能化发展. ...
基于卷积神经网络和稳定性选择的农作物植被光谱分析方法
1
2020
... 随着遥感卫星技术的发展和星载传感器的完善,中高分辨率遥感影像精细化分类成为遥感领域研究的重要内容[43].机器学习的概念起源于1943年学者对人工神经网络(artificial neural network, ANN)的研究.植被遥感信息提取中最常用的神经网络方法包括卷积神经网络(convolutional neural network, CNN)、反向传播神经网络( back-propagation neural network, BPNN)、模糊神经网络(fuzzy neural network, FNN)和径向基神经网络(radial basis function network, RBFNN)等.如Snedden等[44]基于无监督人工神经网络提取了美国路易斯安那州沿海湿地植被群落信息; 段欣荣等[45]整合CNN模型和改进光谱分析方法准确地提取了农作物信息.此外,学者们还致力于基于空间数据挖掘和知识发现的信息提取方法研究,相继提出了支持向量机(support vector machin, SVM)、决策树(decision trees, DT)、随机森林(random forest, RF)等机器学习方法.如陈健等[46]基于SVM分类方法,提取了昆明市城市森林时空分布信息; 田雷等[47]采用DT法研究了不同纬度带下西伯利亚北方森林覆盖的长时间尺度空间变化特征; 崔小芳等[48]采用RF模型对大丰市沿海滩涂湿地区域进行湿地植被精细分类.近年来,基于机器学习算法的植被遥感信息提取成为植被遥感研究中的热点,对于多种机器学习算法的综合应用越来越广泛.如许童羽等[49]将CART决策树和BP神经网络相结合,提出了一种基于Landsat8影像粳稻提取方法,大大提高了粳稻分类精度; 谢锦莹[50]运用全卷积神经网络(full convolutional neural networks, FCN)、RF模型结合面向对象分类法、FCN结合面向对象分类法等方法分别提取滨海湿地植被信息,精度评价结果显示FCN结合面向对象的方法更优.综上,机器学习算法在中、高分辨率植被遥感精细化分类中发挥了重要作用,也进一步推动了地物信息提取的自动化、智能化发展. ...
基于卷积神经网络和稳定性选择的农作物植被光谱分析方法
1
2020
... 随着遥感卫星技术的发展和星载传感器的完善,中高分辨率遥感影像精细化分类成为遥感领域研究的重要内容[43].机器学习的概念起源于1943年学者对人工神经网络(artificial neural network, ANN)的研究.植被遥感信息提取中最常用的神经网络方法包括卷积神经网络(convolutional neural network, CNN)、反向传播神经网络( back-propagation neural network, BPNN)、模糊神经网络(fuzzy neural network, FNN)和径向基神经网络(radial basis function network, RBFNN)等.如Snedden等[44]基于无监督人工神经网络提取了美国路易斯安那州沿海湿地植被群落信息; 段欣荣等[45]整合CNN模型和改进光谱分析方法准确地提取了农作物信息.此外,学者们还致力于基于空间数据挖掘和知识发现的信息提取方法研究,相继提出了支持向量机(support vector machin, SVM)、决策树(decision trees, DT)、随机森林(random forest, RF)等机器学习方法.如陈健等[46]基于SVM分类方法,提取了昆明市城市森林时空分布信息; 田雷等[47]采用DT法研究了不同纬度带下西伯利亚北方森林覆盖的长时间尺度空间变化特征; 崔小芳等[48]采用RF模型对大丰市沿海滩涂湿地区域进行湿地植被精细分类.近年来,基于机器学习算法的植被遥感信息提取成为植被遥感研究中的热点,对于多种机器学习算法的综合应用越来越广泛.如许童羽等[49]将CART决策树和BP神经网络相结合,提出了一种基于Landsat8影像粳稻提取方法,大大提高了粳稻分类精度; 谢锦莹[50]运用全卷积神经网络(full convolutional neural networks, FCN)、RF模型结合面向对象分类法、FCN结合面向对象分类法等方法分别提取滨海湿地植被信息,精度评价结果显示FCN结合面向对象的方法更优.综上,机器学习算法在中、高分辨率植被遥感精细化分类中发挥了重要作用,也进一步推动了地物信息提取的自动化、智能化发展. ...
基于多特征SVM的昆明市城市森林时空分布信息提取
1
2019
... 随着遥感卫星技术的发展和星载传感器的完善,中高分辨率遥感影像精细化分类成为遥感领域研究的重要内容[43].机器学习的概念起源于1943年学者对人工神经网络(artificial neural network, ANN)的研究.植被遥感信息提取中最常用的神经网络方法包括卷积神经网络(convolutional neural network, CNN)、反向传播神经网络( back-propagation neural network, BPNN)、模糊神经网络(fuzzy neural network, FNN)和径向基神经网络(radial basis function network, RBFNN)等.如Snedden等[44]基于无监督人工神经网络提取了美国路易斯安那州沿海湿地植被群落信息; 段欣荣等[45]整合CNN模型和改进光谱分析方法准确地提取了农作物信息.此外,学者们还致力于基于空间数据挖掘和知识发现的信息提取方法研究,相继提出了支持向量机(support vector machin, SVM)、决策树(decision trees, DT)、随机森林(random forest, RF)等机器学习方法.如陈健等[46]基于SVM分类方法,提取了昆明市城市森林时空分布信息; 田雷等[47]采用DT法研究了不同纬度带下西伯利亚北方森林覆盖的长时间尺度空间变化特征; 崔小芳等[48]采用RF模型对大丰市沿海滩涂湿地区域进行湿地植被精细分类.近年来,基于机器学习算法的植被遥感信息提取成为植被遥感研究中的热点,对于多种机器学习算法的综合应用越来越广泛.如许童羽等[49]将CART决策树和BP神经网络相结合,提出了一种基于Landsat8影像粳稻提取方法,大大提高了粳稻分类精度; 谢锦莹[50]运用全卷积神经网络(full convolutional neural networks, FCN)、RF模型结合面向对象分类法、FCN结合面向对象分类法等方法分别提取滨海湿地植被信息,精度评价结果显示FCN结合面向对象的方法更优.综上,机器学习算法在中、高分辨率植被遥感精细化分类中发挥了重要作用,也进一步推动了地物信息提取的自动化、智能化发展. ...
基于多特征SVM的昆明市城市森林时空分布信息提取
1
2019
... 随着遥感卫星技术的发展和星载传感器的完善,中高分辨率遥感影像精细化分类成为遥感领域研究的重要内容[43].机器学习的概念起源于1943年学者对人工神经网络(artificial neural network, ANN)的研究.植被遥感信息提取中最常用的神经网络方法包括卷积神经网络(convolutional neural network, CNN)、反向传播神经网络( back-propagation neural network, BPNN)、模糊神经网络(fuzzy neural network, FNN)和径向基神经网络(radial basis function network, RBFNN)等.如Snedden等[44]基于无监督人工神经网络提取了美国路易斯安那州沿海湿地植被群落信息; 段欣荣等[45]整合CNN模型和改进光谱分析方法准确地提取了农作物信息.此外,学者们还致力于基于空间数据挖掘和知识发现的信息提取方法研究,相继提出了支持向量机(support vector machin, SVM)、决策树(decision trees, DT)、随机森林(random forest, RF)等机器学习方法.如陈健等[46]基于SVM分类方法,提取了昆明市城市森林时空分布信息; 田雷等[47]采用DT法研究了不同纬度带下西伯利亚北方森林覆盖的长时间尺度空间变化特征; 崔小芳等[48]采用RF模型对大丰市沿海滩涂湿地区域进行湿地植被精细分类.近年来,基于机器学习算法的植被遥感信息提取成为植被遥感研究中的热点,对于多种机器学习算法的综合应用越来越广泛.如许童羽等[49]将CART决策树和BP神经网络相结合,提出了一种基于Landsat8影像粳稻提取方法,大大提高了粳稻分类精度; 谢锦莹[50]运用全卷积神经网络(full convolutional neural networks, FCN)、RF模型结合面向对象分类法、FCN结合面向对象分类法等方法分别提取滨海湿地植被信息,精度评价结果显示FCN结合面向对象的方法更优.综上,机器学习算法在中、高分辨率植被遥感精细化分类中发挥了重要作用,也进一步推动了地物信息提取的自动化、智能化发展. ...
基于TM影像的西伯利亚北方森林覆盖度近30a空间变化研究
1
2021
... 随着遥感卫星技术的发展和星载传感器的完善,中高分辨率遥感影像精细化分类成为遥感领域研究的重要内容[43].机器学习的概念起源于1943年学者对人工神经网络(artificial neural network, ANN)的研究.植被遥感信息提取中最常用的神经网络方法包括卷积神经网络(convolutional neural network, CNN)、反向传播神经网络( back-propagation neural network, BPNN)、模糊神经网络(fuzzy neural network, FNN)和径向基神经网络(radial basis function network, RBFNN)等.如Snedden等[44]基于无监督人工神经网络提取了美国路易斯安那州沿海湿地植被群落信息; 段欣荣等[45]整合CNN模型和改进光谱分析方法准确地提取了农作物信息.此外,学者们还致力于基于空间数据挖掘和知识发现的信息提取方法研究,相继提出了支持向量机(support vector machin, SVM)、决策树(decision trees, DT)、随机森林(random forest, RF)等机器学习方法.如陈健等[46]基于SVM分类方法,提取了昆明市城市森林时空分布信息; 田雷等[47]采用DT法研究了不同纬度带下西伯利亚北方森林覆盖的长时间尺度空间变化特征; 崔小芳等[48]采用RF模型对大丰市沿海滩涂湿地区域进行湿地植被精细分类.近年来,基于机器学习算法的植被遥感信息提取成为植被遥感研究中的热点,对于多种机器学习算法的综合应用越来越广泛.如许童羽等[49]将CART决策树和BP神经网络相结合,提出了一种基于Landsat8影像粳稻提取方法,大大提高了粳稻分类精度; 谢锦莹[50]运用全卷积神经网络(full convolutional neural networks, FCN)、RF模型结合面向对象分类法、FCN结合面向对象分类法等方法分别提取滨海湿地植被信息,精度评价结果显示FCN结合面向对象的方法更优.综上,机器学习算法在中、高分辨率植被遥感精细化分类中发挥了重要作用,也进一步推动了地物信息提取的自动化、智能化发展. ...
基于TM影像的西伯利亚北方森林覆盖度近30a空间变化研究
1
2021
... 随着遥感卫星技术的发展和星载传感器的完善,中高分辨率遥感影像精细化分类成为遥感领域研究的重要内容[43].机器学习的概念起源于1943年学者对人工神经网络(artificial neural network, ANN)的研究.植被遥感信息提取中最常用的神经网络方法包括卷积神经网络(convolutional neural network, CNN)、反向传播神经网络( back-propagation neural network, BPNN)、模糊神经网络(fuzzy neural network, FNN)和径向基神经网络(radial basis function network, RBFNN)等.如Snedden等[44]基于无监督人工神经网络提取了美国路易斯安那州沿海湿地植被群落信息; 段欣荣等[45]整合CNN模型和改进光谱分析方法准确地提取了农作物信息.此外,学者们还致力于基于空间数据挖掘和知识发现的信息提取方法研究,相继提出了支持向量机(support vector machin, SVM)、决策树(decision trees, DT)、随机森林(random forest, RF)等机器学习方法.如陈健等[46]基于SVM分类方法,提取了昆明市城市森林时空分布信息; 田雷等[47]采用DT法研究了不同纬度带下西伯利亚北方森林覆盖的长时间尺度空间变化特征; 崔小芳等[48]采用RF模型对大丰市沿海滩涂湿地区域进行湿地植被精细分类.近年来,基于机器学习算法的植被遥感信息提取成为植被遥感研究中的热点,对于多种机器学习算法的综合应用越来越广泛.如许童羽等[49]将CART决策树和BP神经网络相结合,提出了一种基于Landsat8影像粳稻提取方法,大大提高了粳稻分类精度; 谢锦莹[50]运用全卷积神经网络(full convolutional neural networks, FCN)、RF模型结合面向对象分类法、FCN结合面向对象分类法等方法分别提取滨海湿地植被信息,精度评价结果显示FCN结合面向对象的方法更优.综上,机器学习算法在中、高分辨率植被遥感精细化分类中发挥了重要作用,也进一步推动了地物信息提取的自动化、智能化发展. ...
基于随机森林分类方法和多源遥感数据的湿地植被精细分类
1
2018
... 随着遥感卫星技术的发展和星载传感器的完善,中高分辨率遥感影像精细化分类成为遥感领域研究的重要内容[43].机器学习的概念起源于1943年学者对人工神经网络(artificial neural network, ANN)的研究.植被遥感信息提取中最常用的神经网络方法包括卷积神经网络(convolutional neural network, CNN)、反向传播神经网络( back-propagation neural network, BPNN)、模糊神经网络(fuzzy neural network, FNN)和径向基神经网络(radial basis function network, RBFNN)等.如Snedden等[44]基于无监督人工神经网络提取了美国路易斯安那州沿海湿地植被群落信息; 段欣荣等[45]整合CNN模型和改进光谱分析方法准确地提取了农作物信息.此外,学者们还致力于基于空间数据挖掘和知识发现的信息提取方法研究,相继提出了支持向量机(support vector machin, SVM)、决策树(decision trees, DT)、随机森林(random forest, RF)等机器学习方法.如陈健等[46]基于SVM分类方法,提取了昆明市城市森林时空分布信息; 田雷等[47]采用DT法研究了不同纬度带下西伯利亚北方森林覆盖的长时间尺度空间变化特征; 崔小芳等[48]采用RF模型对大丰市沿海滩涂湿地区域进行湿地植被精细分类.近年来,基于机器学习算法的植被遥感信息提取成为植被遥感研究中的热点,对于多种机器学习算法的综合应用越来越广泛.如许童羽等[49]将CART决策树和BP神经网络相结合,提出了一种基于Landsat8影像粳稻提取方法,大大提高了粳稻分类精度; 谢锦莹[50]运用全卷积神经网络(full convolutional neural networks, FCN)、RF模型结合面向对象分类法、FCN结合面向对象分类法等方法分别提取滨海湿地植被信息,精度评价结果显示FCN结合面向对象的方法更优.综上,机器学习算法在中、高分辨率植被遥感精细化分类中发挥了重要作用,也进一步推动了地物信息提取的自动化、智能化发展. ...
基于随机森林分类方法和多源遥感数据的湿地植被精细分类
1
2018
... 随着遥感卫星技术的发展和星载传感器的完善,中高分辨率遥感影像精细化分类成为遥感领域研究的重要内容[43].机器学习的概念起源于1943年学者对人工神经网络(artificial neural network, ANN)的研究.植被遥感信息提取中最常用的神经网络方法包括卷积神经网络(convolutional neural network, CNN)、反向传播神经网络( back-propagation neural network, BPNN)、模糊神经网络(fuzzy neural network, FNN)和径向基神经网络(radial basis function network, RBFNN)等.如Snedden等[44]基于无监督人工神经网络提取了美国路易斯安那州沿海湿地植被群落信息; 段欣荣等[45]整合CNN模型和改进光谱分析方法准确地提取了农作物信息.此外,学者们还致力于基于空间数据挖掘和知识发现的信息提取方法研究,相继提出了支持向量机(support vector machin, SVM)、决策树(decision trees, DT)、随机森林(random forest, RF)等机器学习方法.如陈健等[46]基于SVM分类方法,提取了昆明市城市森林时空分布信息; 田雷等[47]采用DT法研究了不同纬度带下西伯利亚北方森林覆盖的长时间尺度空间变化特征; 崔小芳等[48]采用RF模型对大丰市沿海滩涂湿地区域进行湿地植被精细分类.近年来,基于机器学习算法的植被遥感信息提取成为植被遥感研究中的热点,对于多种机器学习算法的综合应用越来越广泛.如许童羽等[49]将CART决策树和BP神经网络相结合,提出了一种基于Landsat8影像粳稻提取方法,大大提高了粳稻分类精度; 谢锦莹[50]运用全卷积神经网络(full convolutional neural networks, FCN)、RF模型结合面向对象分类法、FCN结合面向对象分类法等方法分别提取滨海湿地植被信息,精度评价结果显示FCN结合面向对象的方法更优.综上,机器学习算法在中、高分辨率植被遥感精细化分类中发挥了重要作用,也进一步推动了地物信息提取的自动化、智能化发展. ...
基于CART决策树和BP神经网络的Landsat8影像粳稻提取方法
1
2020
... 随着遥感卫星技术的发展和星载传感器的完善,中高分辨率遥感影像精细化分类成为遥感领域研究的重要内容[43].机器学习的概念起源于1943年学者对人工神经网络(artificial neural network, ANN)的研究.植被遥感信息提取中最常用的神经网络方法包括卷积神经网络(convolutional neural network, CNN)、反向传播神经网络( back-propagation neural network, BPNN)、模糊神经网络(fuzzy neural network, FNN)和径向基神经网络(radial basis function network, RBFNN)等.如Snedden等[44]基于无监督人工神经网络提取了美国路易斯安那州沿海湿地植被群落信息; 段欣荣等[45]整合CNN模型和改进光谱分析方法准确地提取了农作物信息.此外,学者们还致力于基于空间数据挖掘和知识发现的信息提取方法研究,相继提出了支持向量机(support vector machin, SVM)、决策树(decision trees, DT)、随机森林(random forest, RF)等机器学习方法.如陈健等[46]基于SVM分类方法,提取了昆明市城市森林时空分布信息; 田雷等[47]采用DT法研究了不同纬度带下西伯利亚北方森林覆盖的长时间尺度空间变化特征; 崔小芳等[48]采用RF模型对大丰市沿海滩涂湿地区域进行湿地植被精细分类.近年来,基于机器学习算法的植被遥感信息提取成为植被遥感研究中的热点,对于多种机器学习算法的综合应用越来越广泛.如许童羽等[49]将CART决策树和BP神经网络相结合,提出了一种基于Landsat8影像粳稻提取方法,大大提高了粳稻分类精度; 谢锦莹[50]运用全卷积神经网络(full convolutional neural networks, FCN)、RF模型结合面向对象分类法、FCN结合面向对象分类法等方法分别提取滨海湿地植被信息,精度评价结果显示FCN结合面向对象的方法更优.综上,机器学习算法在中、高分辨率植被遥感精细化分类中发挥了重要作用,也进一步推动了地物信息提取的自动化、智能化发展. ...
基于CART决策树和BP神经网络的Landsat8影像粳稻提取方法
1
2020
... 随着遥感卫星技术的发展和星载传感器的完善,中高分辨率遥感影像精细化分类成为遥感领域研究的重要内容[43].机器学习的概念起源于1943年学者对人工神经网络(artificial neural network, ANN)的研究.植被遥感信息提取中最常用的神经网络方法包括卷积神经网络(convolutional neural network, CNN)、反向传播神经网络( back-propagation neural network, BPNN)、模糊神经网络(fuzzy neural network, FNN)和径向基神经网络(radial basis function network, RBFNN)等.如Snedden等[44]基于无监督人工神经网络提取了美国路易斯安那州沿海湿地植被群落信息; 段欣荣等[45]整合CNN模型和改进光谱分析方法准确地提取了农作物信息.此外,学者们还致力于基于空间数据挖掘和知识发现的信息提取方法研究,相继提出了支持向量机(support vector machin, SVM)、决策树(decision trees, DT)、随机森林(random forest, RF)等机器学习方法.如陈健等[46]基于SVM分类方法,提取了昆明市城市森林时空分布信息; 田雷等[47]采用DT法研究了不同纬度带下西伯利亚北方森林覆盖的长时间尺度空间变化特征; 崔小芳等[48]采用RF模型对大丰市沿海滩涂湿地区域进行湿地植被精细分类.近年来,基于机器学习算法的植被遥感信息提取成为植被遥感研究中的热点,对于多种机器学习算法的综合应用越来越广泛.如许童羽等[49]将CART决策树和BP神经网络相结合,提出了一种基于Landsat8影像粳稻提取方法,大大提高了粳稻分类精度; 谢锦莹[50]运用全卷积神经网络(full convolutional neural networks, FCN)、RF模型结合面向对象分类法、FCN结合面向对象分类法等方法分别提取滨海湿地植被信息,精度评价结果显示FCN结合面向对象的方法更优.综上,机器学习算法在中、高分辨率植被遥感精细化分类中发挥了重要作用,也进一步推动了地物信息提取的自动化、智能化发展. ...
1
2019
... 随着遥感卫星技术的发展和星载传感器的完善,中高分辨率遥感影像精细化分类成为遥感领域研究的重要内容[43].机器学习的概念起源于1943年学者对人工神经网络(artificial neural network, ANN)的研究.植被遥感信息提取中最常用的神经网络方法包括卷积神经网络(convolutional neural network, CNN)、反向传播神经网络( back-propagation neural network, BPNN)、模糊神经网络(fuzzy neural network, FNN)和径向基神经网络(radial basis function network, RBFNN)等.如Snedden等[44]基于无监督人工神经网络提取了美国路易斯安那州沿海湿地植被群落信息; 段欣荣等[45]整合CNN模型和改进光谱分析方法准确地提取了农作物信息.此外,学者们还致力于基于空间数据挖掘和知识发现的信息提取方法研究,相继提出了支持向量机(support vector machin, SVM)、决策树(decision trees, DT)、随机森林(random forest, RF)等机器学习方法.如陈健等[46]基于SVM分类方法,提取了昆明市城市森林时空分布信息; 田雷等[47]采用DT法研究了不同纬度带下西伯利亚北方森林覆盖的长时间尺度空间变化特征; 崔小芳等[48]采用RF模型对大丰市沿海滩涂湿地区域进行湿地植被精细分类.近年来,基于机器学习算法的植被遥感信息提取成为植被遥感研究中的热点,对于多种机器学习算法的综合应用越来越广泛.如许童羽等[49]将CART决策树和BP神经网络相结合,提出了一种基于Landsat8影像粳稻提取方法,大大提高了粳稻分类精度; 谢锦莹[50]运用全卷积神经网络(full convolutional neural networks, FCN)、RF模型结合面向对象分类法、FCN结合面向对象分类法等方法分别提取滨海湿地植被信息,精度评价结果显示FCN结合面向对象的方法更优.综上,机器学习算法在中、高分辨率植被遥感精细化分类中发挥了重要作用,也进一步推动了地物信息提取的自动化、智能化发展. ...
1
2019
... 随着遥感卫星技术的发展和星载传感器的完善,中高分辨率遥感影像精细化分类成为遥感领域研究的重要内容[43].机器学习的概念起源于1943年学者对人工神经网络(artificial neural network, ANN)的研究.植被遥感信息提取中最常用的神经网络方法包括卷积神经网络(convolutional neural network, CNN)、反向传播神经网络( back-propagation neural network, BPNN)、模糊神经网络(fuzzy neural network, FNN)和径向基神经网络(radial basis function network, RBFNN)等.如Snedden等[44]基于无监督人工神经网络提取了美国路易斯安那州沿海湿地植被群落信息; 段欣荣等[45]整合CNN模型和改进光谱分析方法准确地提取了农作物信息.此外,学者们还致力于基于空间数据挖掘和知识发现的信息提取方法研究,相继提出了支持向量机(support vector machin, SVM)、决策树(decision trees, DT)、随机森林(random forest, RF)等机器学习方法.如陈健等[46]基于SVM分类方法,提取了昆明市城市森林时空分布信息; 田雷等[47]采用DT法研究了不同纬度带下西伯利亚北方森林覆盖的长时间尺度空间变化特征; 崔小芳等[48]采用RF模型对大丰市沿海滩涂湿地区域进行湿地植被精细分类.近年来,基于机器学习算法的植被遥感信息提取成为植被遥感研究中的热点,对于多种机器学习算法的综合应用越来越广泛.如许童羽等[49]将CART决策树和BP神经网络相结合,提出了一种基于Landsat8影像粳稻提取方法,大大提高了粳稻分类精度; 谢锦莹[50]运用全卷积神经网络(full convolutional neural networks, FCN)、RF模型结合面向对象分类法、FCN结合面向对象分类法等方法分别提取滨海湿地植被信息,精度评价结果显示FCN结合面向对象的方法更优.综上,机器学习算法在中、高分辨率植被遥感精细化分类中发挥了重要作用,也进一步推动了地物信息提取的自动化、智能化发展. ...
Object-oriented classification and Ikonos multispectral imagery for mapping vegetation communities in urban areas
1
2005
... 面向对象分类法包括影像分割、建立分类规则和对象信息提取3部分,可以综合影像光谱、纹理、空间结构信息的差异,弥补基于像元的分类方法的不足,有效提高地物信息的提取精度.自20世纪90年代以来,该算法在实际遥感影像分类的应用中得到快速发展.Mathieu等[51]基于高分辨率多光谱Ikonos图像,采用面向对象分类法对新西兰达尼丁地区开展了植被信息精细提取; Zhao等[52]采用3种不同分类器的面向对象方法有效地提取黄土高原松林、桦林、栎林、灌木林、荒地、农田和道路信息; 李春艳[53]采用面向对象的遥感影像分类方法进行了植被信息提取,与传统的基于像元的分类方法相比,效果更佳; 秦泉等[54]基于GF-1影像数据利用面向对象分类法提取苹果树的种植面积和空间分布信息,提取精度达到94.1%; 王熊等[55]基于高分2号影像,采用面向对象、SVM,KNN,RF等方法对地形复杂、森林破碎化的湖北省竹山县九华山的优势树种进行信息提取,结果表明SVM方法结果最优.综上所述,面向对象分类法对于较高分辨率影像的植被信息提取,其精度要显著高于基于像元的分类方法; 然而,对于较低分辨率影像尤其是景观破碎、地形复杂地区,植被信息提取精度将会有所降低. ...
Integration of multi-classifiers in object-based methods for forest classification in the Loess plateau,China
1
2016
... 面向对象分类法包括影像分割、建立分类规则和对象信息提取3部分,可以综合影像光谱、纹理、空间结构信息的差异,弥补基于像元的分类方法的不足,有效提高地物信息的提取精度.自20世纪90年代以来,该算法在实际遥感影像分类的应用中得到快速发展.Mathieu等[51]基于高分辨率多光谱Ikonos图像,采用面向对象分类法对新西兰达尼丁地区开展了植被信息精细提取; Zhao等[52]采用3种不同分类器的面向对象方法有效地提取黄土高原松林、桦林、栎林、灌木林、荒地、农田和道路信息; 李春艳[53]采用面向对象的遥感影像分类方法进行了植被信息提取,与传统的基于像元的分类方法相比,效果更佳; 秦泉等[54]基于GF-1影像数据利用面向对象分类法提取苹果树的种植面积和空间分布信息,提取精度达到94.1%; 王熊等[55]基于高分2号影像,采用面向对象、SVM,KNN,RF等方法对地形复杂、森林破碎化的湖北省竹山县九华山的优势树种进行信息提取,结果表明SVM方法结果最优.综上所述,面向对象分类法对于较高分辨率影像的植被信息提取,其精度要显著高于基于像元的分类方法; 然而,对于较低分辨率影像尤其是景观破碎、地形复杂地区,植被信息提取精度将会有所降低. ...
基于面向对象的遥感影像植被信息提取
1
2012
... 面向对象分类法包括影像分割、建立分类规则和对象信息提取3部分,可以综合影像光谱、纹理、空间结构信息的差异,弥补基于像元的分类方法的不足,有效提高地物信息的提取精度.自20世纪90年代以来,该算法在实际遥感影像分类的应用中得到快速发展.Mathieu等[51]基于高分辨率多光谱Ikonos图像,采用面向对象分类法对新西兰达尼丁地区开展了植被信息精细提取; Zhao等[52]采用3种不同分类器的面向对象方法有效地提取黄土高原松林、桦林、栎林、灌木林、荒地、农田和道路信息; 李春艳[53]采用面向对象的遥感影像分类方法进行了植被信息提取,与传统的基于像元的分类方法相比,效果更佳; 秦泉等[54]基于GF-1影像数据利用面向对象分类法提取苹果树的种植面积和空间分布信息,提取精度达到94.1%; 王熊等[55]基于高分2号影像,采用面向对象、SVM,KNN,RF等方法对地形复杂、森林破碎化的湖北省竹山县九华山的优势树种进行信息提取,结果表明SVM方法结果最优.综上所述,面向对象分类法对于较高分辨率影像的植被信息提取,其精度要显著高于基于像元的分类方法; 然而,对于较低分辨率影像尤其是景观破碎、地形复杂地区,植被信息提取精度将会有所降低. ...
基于面向对象的遥感影像植被信息提取
1
2012
... 面向对象分类法包括影像分割、建立分类规则和对象信息提取3部分,可以综合影像光谱、纹理、空间结构信息的差异,弥补基于像元的分类方法的不足,有效提高地物信息的提取精度.自20世纪90年代以来,该算法在实际遥感影像分类的应用中得到快速发展.Mathieu等[51]基于高分辨率多光谱Ikonos图像,采用面向对象分类法对新西兰达尼丁地区开展了植被信息精细提取; Zhao等[52]采用3种不同分类器的面向对象方法有效地提取黄土高原松林、桦林、栎林、灌木林、荒地、农田和道路信息; 李春艳[53]采用面向对象的遥感影像分类方法进行了植被信息提取,与传统的基于像元的分类方法相比,效果更佳; 秦泉等[54]基于GF-1影像数据利用面向对象分类法提取苹果树的种植面积和空间分布信息,提取精度达到94.1%; 王熊等[55]基于高分2号影像,采用面向对象、SVM,KNN,RF等方法对地形复杂、森林破碎化的湖北省竹山县九华山的优势树种进行信息提取,结果表明SVM方法结果最优.综上所述,面向对象分类法对于较高分辨率影像的植被信息提取,其精度要显著高于基于像元的分类方法; 然而,对于较低分辨率影像尤其是景观破碎、地形复杂地区,植被信息提取精度将会有所降低. ...
面向对象的GF-1卫星影像苹果树种植面积遥感提取研究——以山地丘陵地区的栖霞市为例
1
2020
... 面向对象分类法包括影像分割、建立分类规则和对象信息提取3部分,可以综合影像光谱、纹理、空间结构信息的差异,弥补基于像元的分类方法的不足,有效提高地物信息的提取精度.自20世纪90年代以来,该算法在实际遥感影像分类的应用中得到快速发展.Mathieu等[51]基于高分辨率多光谱Ikonos图像,采用面向对象分类法对新西兰达尼丁地区开展了植被信息精细提取; Zhao等[52]采用3种不同分类器的面向对象方法有效地提取黄土高原松林、桦林、栎林、灌木林、荒地、农田和道路信息; 李春艳[53]采用面向对象的遥感影像分类方法进行了植被信息提取,与传统的基于像元的分类方法相比,效果更佳; 秦泉等[54]基于GF-1影像数据利用面向对象分类法提取苹果树的种植面积和空间分布信息,提取精度达到94.1%; 王熊等[55]基于高分2号影像,采用面向对象、SVM,KNN,RF等方法对地形复杂、森林破碎化的湖北省竹山县九华山的优势树种进行信息提取,结果表明SVM方法结果最优.综上所述,面向对象分类法对于较高分辨率影像的植被信息提取,其精度要显著高于基于像元的分类方法; 然而,对于较低分辨率影像尤其是景观破碎、地形复杂地区,植被信息提取精度将会有所降低. ...
面向对象的GF-1卫星影像苹果树种植面积遥感提取研究——以山地丘陵地区的栖霞市为例
1
2020
... 面向对象分类法包括影像分割、建立分类规则和对象信息提取3部分,可以综合影像光谱、纹理、空间结构信息的差异,弥补基于像元的分类方法的不足,有效提高地物信息的提取精度.自20世纪90年代以来,该算法在实际遥感影像分类的应用中得到快速发展.Mathieu等[51]基于高分辨率多光谱Ikonos图像,采用面向对象分类法对新西兰达尼丁地区开展了植被信息精细提取; Zhao等[52]采用3种不同分类器的面向对象方法有效地提取黄土高原松林、桦林、栎林、灌木林、荒地、农田和道路信息; 李春艳[53]采用面向对象的遥感影像分类方法进行了植被信息提取,与传统的基于像元的分类方法相比,效果更佳; 秦泉等[54]基于GF-1影像数据利用面向对象分类法提取苹果树的种植面积和空间分布信息,提取精度达到94.1%; 王熊等[55]基于高分2号影像,采用面向对象、SVM,KNN,RF等方法对地形复杂、森林破碎化的湖北省竹山县九华山的优势树种进行信息提取,结果表明SVM方法结果最优.综上所述,面向对象分类法对于较高分辨率影像的植被信息提取,其精度要显著高于基于像元的分类方法; 然而,对于较低分辨率影像尤其是景观破碎、地形复杂地区,植被信息提取精度将会有所降低. ...
基于GF-2号影像的森林优势树种分类
1
2020
... 面向对象分类法包括影像分割、建立分类规则和对象信息提取3部分,可以综合影像光谱、纹理、空间结构信息的差异,弥补基于像元的分类方法的不足,有效提高地物信息的提取精度.自20世纪90年代以来,该算法在实际遥感影像分类的应用中得到快速发展.Mathieu等[51]基于高分辨率多光谱Ikonos图像,采用面向对象分类法对新西兰达尼丁地区开展了植被信息精细提取; Zhao等[52]采用3种不同分类器的面向对象方法有效地提取黄土高原松林、桦林、栎林、灌木林、荒地、农田和道路信息; 李春艳[53]采用面向对象的遥感影像分类方法进行了植被信息提取,与传统的基于像元的分类方法相比,效果更佳; 秦泉等[54]基于GF-1影像数据利用面向对象分类法提取苹果树的种植面积和空间分布信息,提取精度达到94.1%; 王熊等[55]基于高分2号影像,采用面向对象、SVM,KNN,RF等方法对地形复杂、森林破碎化的湖北省竹山县九华山的优势树种进行信息提取,结果表明SVM方法结果最优.综上所述,面向对象分类法对于较高分辨率影像的植被信息提取,其精度要显著高于基于像元的分类方法; 然而,对于较低分辨率影像尤其是景观破碎、地形复杂地区,植被信息提取精度将会有所降低. ...
基于GF-2号影像的森林优势树种分类
1
2020
... 面向对象分类法包括影像分割、建立分类规则和对象信息提取3部分,可以综合影像光谱、纹理、空间结构信息的差异,弥补基于像元的分类方法的不足,有效提高地物信息的提取精度.自20世纪90年代以来,该算法在实际遥感影像分类的应用中得到快速发展.Mathieu等[51]基于高分辨率多光谱Ikonos图像,采用面向对象分类法对新西兰达尼丁地区开展了植被信息精细提取; Zhao等[52]采用3种不同分类器的面向对象方法有效地提取黄土高原松林、桦林、栎林、灌木林、荒地、农田和道路信息; 李春艳[53]采用面向对象的遥感影像分类方法进行了植被信息提取,与传统的基于像元的分类方法相比,效果更佳; 秦泉等[54]基于GF-1影像数据利用面向对象分类法提取苹果树的种植面积和空间分布信息,提取精度达到94.1%; 王熊等[55]基于高分2号影像,采用面向对象、SVM,KNN,RF等方法对地形复杂、森林破碎化的湖北省竹山县九华山的优势树种进行信息提取,结果表明SVM方法结果最优.综上所述,面向对象分类法对于较高分辨率影像的植被信息提取,其精度要显著高于基于像元的分类方法; 然而,对于较低分辨率影像尤其是景观破碎、地形复杂地区,植被信息提取精度将会有所降低. ...
基于混合像元分解的香格里拉市高山松空间分布变化研究
1
2021
... 受传感器分辨率的限制以及地形、气候多样性等因素的影响,影像像元多表现为几种地物的混合体.混合像元的存在会影响分类的正确性及定量遥感的精度,尤其对于中、低分辨率影像而言,混合像元更为普遍[56].20 世纪 90 年代初,遥感影像混合像元分解技术被提出并得到国内外广大学者的关注,它可有效避免土壤等地物背景的影响,对于低植被覆盖区和高植被覆盖区均具有较强的探索性[57].混合像元分解模型包括线性模型和非线性模型2类.线性混合模型忽略了光谱多次反射的情况,是非线性混合模型的特例[58].近年来,更有利于遥感精细化分类的混合像元分解技术成为重要研究热点.如Dawelbait等[59]基于等混合像元分解技术监测了1987—2008年苏丹草原地区的荒漠化状况; 陈虹兵等[60]基于像元二分模型和线性光谱混合模型提取了北京市延庆区植被信息,研究表明基于线性光谱混合模型法的提取结果精度更高; 陈利等[61]利用混合像元分解法提取MODIS影像中的森林信息,研究结果表明基于线性混合像元分解分类的精度最高; 贺辉等[62]基于自适应区间二型模糊聚类(adaptive interval-valued type-2 fuzzy C-means clustering, A-IT2FCM)法提取了SPOT5影像数据中的地表覆盖信息,提取精度大大提高.然而,遥感影像混合像元分解技术的各类模型仍处于不断探索试验阶段,分解方法与模型仍需要不断改进和完善,将各类混合像元分解模型相结合,进一步提高植被信息的分解精度是未来重要的研究方向. ...
基于混合像元分解的香格里拉市高山松空间分布变化研究
1
2021
... 受传感器分辨率的限制以及地形、气候多样性等因素的影响,影像像元多表现为几种地物的混合体.混合像元的存在会影响分类的正确性及定量遥感的精度,尤其对于中、低分辨率影像而言,混合像元更为普遍[56].20 世纪 90 年代初,遥感影像混合像元分解技术被提出并得到国内外广大学者的关注,它可有效避免土壤等地物背景的影响,对于低植被覆盖区和高植被覆盖区均具有较强的探索性[57].混合像元分解模型包括线性模型和非线性模型2类.线性混合模型忽略了光谱多次反射的情况,是非线性混合模型的特例[58].近年来,更有利于遥感精细化分类的混合像元分解技术成为重要研究热点.如Dawelbait等[59]基于等混合像元分解技术监测了1987—2008年苏丹草原地区的荒漠化状况; 陈虹兵等[60]基于像元二分模型和线性光谱混合模型提取了北京市延庆区植被信息,研究表明基于线性光谱混合模型法的提取结果精度更高; 陈利等[61]利用混合像元分解法提取MODIS影像中的森林信息,研究结果表明基于线性混合像元分解分类的精度最高; 贺辉等[62]基于自适应区间二型模糊聚类(adaptive interval-valued type-2 fuzzy C-means clustering, A-IT2FCM)法提取了SPOT5影像数据中的地表覆盖信息,提取精度大大提高.然而,遥感影像混合像元分解技术的各类模型仍处于不断探索试验阶段,分解方法与模型仍需要不断改进和完善,将各类混合像元分解模型相结合,进一步提高植被信息的分解精度是未来重要的研究方向. ...
1
2017
... 受传感器分辨率的限制以及地形、气候多样性等因素的影响,影像像元多表现为几种地物的混合体.混合像元的存在会影响分类的正确性及定量遥感的精度,尤其对于中、低分辨率影像而言,混合像元更为普遍[56].20 世纪 90 年代初,遥感影像混合像元分解技术被提出并得到国内外广大学者的关注,它可有效避免土壤等地物背景的影响,对于低植被覆盖区和高植被覆盖区均具有较强的探索性[57].混合像元分解模型包括线性模型和非线性模型2类.线性混合模型忽略了光谱多次反射的情况,是非线性混合模型的特例[58].近年来,更有利于遥感精细化分类的混合像元分解技术成为重要研究热点.如Dawelbait等[59]基于等混合像元分解技术监测了1987—2008年苏丹草原地区的荒漠化状况; 陈虹兵等[60]基于像元二分模型和线性光谱混合模型提取了北京市延庆区植被信息,研究表明基于线性光谱混合模型法的提取结果精度更高; 陈利等[61]利用混合像元分解法提取MODIS影像中的森林信息,研究结果表明基于线性混合像元分解分类的精度最高; 贺辉等[62]基于自适应区间二型模糊聚类(adaptive interval-valued type-2 fuzzy C-means clustering, A-IT2FCM)法提取了SPOT5影像数据中的地表覆盖信息,提取精度大大提高.然而,遥感影像混合像元分解技术的各类模型仍处于不断探索试验阶段,分解方法与模型仍需要不断改进和完善,将各类混合像元分解模型相结合,进一步提高植被信息的分解精度是未来重要的研究方向. ...
1
2017
... 受传感器分辨率的限制以及地形、气候多样性等因素的影响,影像像元多表现为几种地物的混合体.混合像元的存在会影响分类的正确性及定量遥感的精度,尤其对于中、低分辨率影像而言,混合像元更为普遍[56].20 世纪 90 年代初,遥感影像混合像元分解技术被提出并得到国内外广大学者的关注,它可有效避免土壤等地物背景的影响,对于低植被覆盖区和高植被覆盖区均具有较强的探索性[57].混合像元分解模型包括线性模型和非线性模型2类.线性混合模型忽略了光谱多次反射的情况,是非线性混合模型的特例[58].近年来,更有利于遥感精细化分类的混合像元分解技术成为重要研究热点.如Dawelbait等[59]基于等混合像元分解技术监测了1987—2008年苏丹草原地区的荒漠化状况; 陈虹兵等[60]基于像元二分模型和线性光谱混合模型提取了北京市延庆区植被信息,研究表明基于线性光谱混合模型法的提取结果精度更高; 陈利等[61]利用混合像元分解法提取MODIS影像中的森林信息,研究结果表明基于线性混合像元分解分类的精度最高; 贺辉等[62]基于自适应区间二型模糊聚类(adaptive interval-valued type-2 fuzzy C-means clustering, A-IT2FCM)法提取了SPOT5影像数据中的地表覆盖信息,提取精度大大提高.然而,遥感影像混合像元分解技术的各类模型仍处于不断探索试验阶段,分解方法与模型仍需要不断改进和完善,将各类混合像元分解模型相结合,进一步提高植被信息的分解精度是未来重要的研究方向. ...
1
2014
... 受传感器分辨率的限制以及地形、气候多样性等因素的影响,影像像元多表现为几种地物的混合体.混合像元的存在会影响分类的正确性及定量遥感的精度,尤其对于中、低分辨率影像而言,混合像元更为普遍[56].20 世纪 90 年代初,遥感影像混合像元分解技术被提出并得到国内外广大学者的关注,它可有效避免土壤等地物背景的影响,对于低植被覆盖区和高植被覆盖区均具有较强的探索性[57].混合像元分解模型包括线性模型和非线性模型2类.线性混合模型忽略了光谱多次反射的情况,是非线性混合模型的特例[58].近年来,更有利于遥感精细化分类的混合像元分解技术成为重要研究热点.如Dawelbait等[59]基于等混合像元分解技术监测了1987—2008年苏丹草原地区的荒漠化状况; 陈虹兵等[60]基于像元二分模型和线性光谱混合模型提取了北京市延庆区植被信息,研究表明基于线性光谱混合模型法的提取结果精度更高; 陈利等[61]利用混合像元分解法提取MODIS影像中的森林信息,研究结果表明基于线性混合像元分解分类的精度最高; 贺辉等[62]基于自适应区间二型模糊聚类(adaptive interval-valued type-2 fuzzy C-means clustering, A-IT2FCM)法提取了SPOT5影像数据中的地表覆盖信息,提取精度大大提高.然而,遥感影像混合像元分解技术的各类模型仍处于不断探索试验阶段,分解方法与模型仍需要不断改进和完善,将各类混合像元分解模型相结合,进一步提高植被信息的分解精度是未来重要的研究方向. ...
1
2014
... 受传感器分辨率的限制以及地形、气候多样性等因素的影响,影像像元多表现为几种地物的混合体.混合像元的存在会影响分类的正确性及定量遥感的精度,尤其对于中、低分辨率影像而言,混合像元更为普遍[56].20 世纪 90 年代初,遥感影像混合像元分解技术被提出并得到国内外广大学者的关注,它可有效避免土壤等地物背景的影响,对于低植被覆盖区和高植被覆盖区均具有较强的探索性[57].混合像元分解模型包括线性模型和非线性模型2类.线性混合模型忽略了光谱多次反射的情况,是非线性混合模型的特例[58].近年来,更有利于遥感精细化分类的混合像元分解技术成为重要研究热点.如Dawelbait等[59]基于等混合像元分解技术监测了1987—2008年苏丹草原地区的荒漠化状况; 陈虹兵等[60]基于像元二分模型和线性光谱混合模型提取了北京市延庆区植被信息,研究表明基于线性光谱混合模型法的提取结果精度更高; 陈利等[61]利用混合像元分解法提取MODIS影像中的森林信息,研究结果表明基于线性混合像元分解分类的精度最高; 贺辉等[62]基于自适应区间二型模糊聚类(adaptive interval-valued type-2 fuzzy C-means clustering, A-IT2FCM)法提取了SPOT5影像数据中的地表覆盖信息,提取精度大大提高.然而,遥感影像混合像元分解技术的各类模型仍处于不断探索试验阶段,分解方法与模型仍需要不断改进和完善,将各类混合像元分解模型相结合,进一步提高植被信息的分解精度是未来重要的研究方向. ...
Monitoring desertification in a Savannah region in Sudan using Landsat images and spectral mixture analysis
1
2012
... 受传感器分辨率的限制以及地形、气候多样性等因素的影响,影像像元多表现为几种地物的混合体.混合像元的存在会影响分类的正确性及定量遥感的精度,尤其对于中、低分辨率影像而言,混合像元更为普遍[56].20 世纪 90 年代初,遥感影像混合像元分解技术被提出并得到国内外广大学者的关注,它可有效避免土壤等地物背景的影响,对于低植被覆盖区和高植被覆盖区均具有较强的探索性[57].混合像元分解模型包括线性模型和非线性模型2类.线性混合模型忽略了光谱多次反射的情况,是非线性混合模型的特例[58].近年来,更有利于遥感精细化分类的混合像元分解技术成为重要研究热点.如Dawelbait等[59]基于等混合像元分解技术监测了1987—2008年苏丹草原地区的荒漠化状况; 陈虹兵等[60]基于像元二分模型和线性光谱混合模型提取了北京市延庆区植被信息,研究表明基于线性光谱混合模型法的提取结果精度更高; 陈利等[61]利用混合像元分解法提取MODIS影像中的森林信息,研究结果表明基于线性混合像元分解分类的精度最高; 贺辉等[62]基于自适应区间二型模糊聚类(adaptive interval-valued type-2 fuzzy C-means clustering, A-IT2FCM)法提取了SPOT5影像数据中的地表覆盖信息,提取精度大大提高.然而,遥感影像混合像元分解技术的各类模型仍处于不断探索试验阶段,分解方法与模型仍需要不断改进和完善,将各类混合像元分解模型相结合,进一步提高植被信息的分解精度是未来重要的研究方向. ...
基于混合像元分解的植被覆盖度模型比较研究
1
2018
... 受传感器分辨率的限制以及地形、气候多样性等因素的影响,影像像元多表现为几种地物的混合体.混合像元的存在会影响分类的正确性及定量遥感的精度,尤其对于中、低分辨率影像而言,混合像元更为普遍[56].20 世纪 90 年代初,遥感影像混合像元分解技术被提出并得到国内外广大学者的关注,它可有效避免土壤等地物背景的影响,对于低植被覆盖区和高植被覆盖区均具有较强的探索性[57].混合像元分解模型包括线性模型和非线性模型2类.线性混合模型忽略了光谱多次反射的情况,是非线性混合模型的特例[58].近年来,更有利于遥感精细化分类的混合像元分解技术成为重要研究热点.如Dawelbait等[59]基于等混合像元分解技术监测了1987—2008年苏丹草原地区的荒漠化状况; 陈虹兵等[60]基于像元二分模型和线性光谱混合模型提取了北京市延庆区植被信息,研究表明基于线性光谱混合模型法的提取结果精度更高; 陈利等[61]利用混合像元分解法提取MODIS影像中的森林信息,研究结果表明基于线性混合像元分解分类的精度最高; 贺辉等[62]基于自适应区间二型模糊聚类(adaptive interval-valued type-2 fuzzy C-means clustering, A-IT2FCM)法提取了SPOT5影像数据中的地表覆盖信息,提取精度大大提高.然而,遥感影像混合像元分解技术的各类模型仍处于不断探索试验阶段,分解方法与模型仍需要不断改进和完善,将各类混合像元分解模型相结合,进一步提高植被信息的分解精度是未来重要的研究方向. ...
基于混合像元分解的植被覆盖度模型比较研究
1
2018
... 受传感器分辨率的限制以及地形、气候多样性等因素的影响,影像像元多表现为几种地物的混合体.混合像元的存在会影响分类的正确性及定量遥感的精度,尤其对于中、低分辨率影像而言,混合像元更为普遍[56].20 世纪 90 年代初,遥感影像混合像元分解技术被提出并得到国内外广大学者的关注,它可有效避免土壤等地物背景的影响,对于低植被覆盖区和高植被覆盖区均具有较强的探索性[57].混合像元分解模型包括线性模型和非线性模型2类.线性混合模型忽略了光谱多次反射的情况,是非线性混合模型的特例[58].近年来,更有利于遥感精细化分类的混合像元分解技术成为重要研究热点.如Dawelbait等[59]基于等混合像元分解技术监测了1987—2008年苏丹草原地区的荒漠化状况; 陈虹兵等[60]基于像元二分模型和线性光谱混合模型提取了北京市延庆区植被信息,研究表明基于线性光谱混合模型法的提取结果精度更高; 陈利等[61]利用混合像元分解法提取MODIS影像中的森林信息,研究结果表明基于线性混合像元分解分类的精度最高; 贺辉等[62]基于自适应区间二型模糊聚类(adaptive interval-valued type-2 fuzzy C-means clustering, A-IT2FCM)法提取了SPOT5影像数据中的地表覆盖信息,提取精度大大提高.然而,遥感影像混合像元分解技术的各类模型仍处于不断探索试验阶段,分解方法与模型仍需要不断改进和完善,将各类混合像元分解模型相结合,进一步提高植被信息的分解精度是未来重要的研究方向. ...
基于改进端元提纯模型的MODIS森林类型识别研究
1
2015
... 受传感器分辨率的限制以及地形、气候多样性等因素的影响,影像像元多表现为几种地物的混合体.混合像元的存在会影响分类的正确性及定量遥感的精度,尤其对于中、低分辨率影像而言,混合像元更为普遍[56].20 世纪 90 年代初,遥感影像混合像元分解技术被提出并得到国内外广大学者的关注,它可有效避免土壤等地物背景的影响,对于低植被覆盖区和高植被覆盖区均具有较强的探索性[57].混合像元分解模型包括线性模型和非线性模型2类.线性混合模型忽略了光谱多次反射的情况,是非线性混合模型的特例[58].近年来,更有利于遥感精细化分类的混合像元分解技术成为重要研究热点.如Dawelbait等[59]基于等混合像元分解技术监测了1987—2008年苏丹草原地区的荒漠化状况; 陈虹兵等[60]基于像元二分模型和线性光谱混合模型提取了北京市延庆区植被信息,研究表明基于线性光谱混合模型法的提取结果精度更高; 陈利等[61]利用混合像元分解法提取MODIS影像中的森林信息,研究结果表明基于线性混合像元分解分类的精度最高; 贺辉等[62]基于自适应区间二型模糊聚类(adaptive interval-valued type-2 fuzzy C-means clustering, A-IT2FCM)法提取了SPOT5影像数据中的地表覆盖信息,提取精度大大提高.然而,遥感影像混合像元分解技术的各类模型仍处于不断探索试验阶段,分解方法与模型仍需要不断改进和完善,将各类混合像元分解模型相结合,进一步提高植被信息的分解精度是未来重要的研究方向. ...
基于改进端元提纯模型的MODIS森林类型识别研究
1
2015
... 受传感器分辨率的限制以及地形、气候多样性等因素的影响,影像像元多表现为几种地物的混合体.混合像元的存在会影响分类的正确性及定量遥感的精度,尤其对于中、低分辨率影像而言,混合像元更为普遍[56].20 世纪 90 年代初,遥感影像混合像元分解技术被提出并得到国内外广大学者的关注,它可有效避免土壤等地物背景的影响,对于低植被覆盖区和高植被覆盖区均具有较强的探索性[57].混合像元分解模型包括线性模型和非线性模型2类.线性混合模型忽略了光谱多次反射的情况,是非线性混合模型的特例[58].近年来,更有利于遥感精细化分类的混合像元分解技术成为重要研究热点.如Dawelbait等[59]基于等混合像元分解技术监测了1987—2008年苏丹草原地区的荒漠化状况; 陈虹兵等[60]基于像元二分模型和线性光谱混合模型提取了北京市延庆区植被信息,研究表明基于线性光谱混合模型法的提取结果精度更高; 陈利等[61]利用混合像元分解法提取MODIS影像中的森林信息,研究结果表明基于线性混合像元分解分类的精度最高; 贺辉等[62]基于自适应区间二型模糊聚类(adaptive interval-valued type-2 fuzzy C-means clustering, A-IT2FCM)法提取了SPOT5影像数据中的地表覆盖信息,提取精度大大提高.然而,遥感影像混合像元分解技术的各类模型仍处于不断探索试验阶段,分解方法与模型仍需要不断改进和完善,将各类混合像元分解模型相结合,进一步提高植被信息的分解精度是未来重要的研究方向. ...
基于自适应区间二型模糊聚类的遥感土地覆盖自动分类
1
2016
... 受传感器分辨率的限制以及地形、气候多样性等因素的影响,影像像元多表现为几种地物的混合体.混合像元的存在会影响分类的正确性及定量遥感的精度,尤其对于中、低分辨率影像而言,混合像元更为普遍[56].20 世纪 90 年代初,遥感影像混合像元分解技术被提出并得到国内外广大学者的关注,它可有效避免土壤等地物背景的影响,对于低植被覆盖区和高植被覆盖区均具有较强的探索性[57].混合像元分解模型包括线性模型和非线性模型2类.线性混合模型忽略了光谱多次反射的情况,是非线性混合模型的特例[58].近年来,更有利于遥感精细化分类的混合像元分解技术成为重要研究热点.如Dawelbait等[59]基于等混合像元分解技术监测了1987—2008年苏丹草原地区的荒漠化状况; 陈虹兵等[60]基于像元二分模型和线性光谱混合模型提取了北京市延庆区植被信息,研究表明基于线性光谱混合模型法的提取结果精度更高; 陈利等[61]利用混合像元分解法提取MODIS影像中的森林信息,研究结果表明基于线性混合像元分解分类的精度最高; 贺辉等[62]基于自适应区间二型模糊聚类(adaptive interval-valued type-2 fuzzy C-means clustering, A-IT2FCM)法提取了SPOT5影像数据中的地表覆盖信息,提取精度大大提高.然而,遥感影像混合像元分解技术的各类模型仍处于不断探索试验阶段,分解方法与模型仍需要不断改进和完善,将各类混合像元分解模型相结合,进一步提高植被信息的分解精度是未来重要的研究方向. ...
基于自适应区间二型模糊聚类的遥感土地覆盖自动分类
1
2016
... 受传感器分辨率的限制以及地形、气候多样性等因素的影响,影像像元多表现为几种地物的混合体.混合像元的存在会影响分类的正确性及定量遥感的精度,尤其对于中、低分辨率影像而言,混合像元更为普遍[56].20 世纪 90 年代初,遥感影像混合像元分解技术被提出并得到国内外广大学者的关注,它可有效避免土壤等地物背景的影响,对于低植被覆盖区和高植被覆盖区均具有较强的探索性[57].混合像元分解模型包括线性模型和非线性模型2类.线性混合模型忽略了光谱多次反射的情况,是非线性混合模型的特例[58].近年来,更有利于遥感精细化分类的混合像元分解技术成为重要研究热点.如Dawelbait等[59]基于等混合像元分解技术监测了1987—2008年苏丹草原地区的荒漠化状况; 陈虹兵等[60]基于像元二分模型和线性光谱混合模型提取了北京市延庆区植被信息,研究表明基于线性光谱混合模型法的提取结果精度更高; 陈利等[61]利用混合像元分解法提取MODIS影像中的森林信息,研究结果表明基于线性混合像元分解分类的精度最高; 贺辉等[62]基于自适应区间二型模糊聚类(adaptive interval-valued type-2 fuzzy C-means clustering, A-IT2FCM)法提取了SPOT5影像数据中的地表覆盖信息,提取精度大大提高.然而,遥感影像混合像元分解技术的各类模型仍处于不断探索试验阶段,分解方法与模型仍需要不断改进和完善,将各类混合像元分解模型相结合,进一步提高植被信息的分解精度是未来重要的研究方向. ...